DELEGAÇÃO DE NAMPULA

Distribuições especiais de Probabilidades

Introdução
Neste capítulo trataremos de algumas distribuições de probabilidades discretas e contínuas que, pela sua
importância merecem um estudo especial. Tais distribuições partem de pressupostos de certas hipóteses
claramente definidas. Como diversas situações da natureza muitas vezes aproximam se dessas hopóteses, os
modelos a serem apresentados são úteis no estudo das tais situações, dai a sua importância; por outro lado,
embora nos capitulos anteriores, em diversos casos os conhecimentos adiquiridos sejam suficientes para
resolver problemas aqui tratados, existe o problemas da sistematização da solução, o que indiscutivelmente
contribui para sua facilidade.

4.1 Distribuição de Bernoulli

É uma distribuição dicotómico de uma variável aleatória discreta de probabilidade associada a um
experimento de uma única etapa na qual existe apenas dois resultados possiveis e independentes (sucesso
ou fracasso); isto é; trata-se de um processo probabilístico de sucessão de provas com apenas dois
resultados possíveis, independentes e com a probabilidade p de sucesso constante. Por convenção utilizam-
se os valores 0 e 1 (0 → insucesso, 1 → sucesso) e designa-se por p a probabilidade da variável assumir o
valor 1.

P(sucesso)= P(X = 1) = f(1) = p

P(fracasso)= P(X = 0) = f(0) = 1-p = q
p+ q=1

Exemplos:
 O sexo de um indivíduo;
 Pretende-se estudar a incidência de uma certa doença numa certa população. X pode indicar se a doença
está presente (X=1) ou ausente (X=0) num indivíduo da população (seleccionado ao acaso).
 O factor Rh do sangue das pessoas (ou é positivo ou é negativo;

Docente: Msc. Delson Mugabe 1

sendo p a probabilidade de ocorrer um sucesso, e q a probabilidade de ocorrer um fracasso, a função de
probabilidade da distribuição de bernoulli será:

P(X) =

Para representar que uma variável aleatório X segue uma distribuição de Bernoulli de parámetros 1 e p, se
escreve:

Nessas condições a v.a. X tem distribuição de Bernoulli, e o cálculo da sua função de probabilidade é dada
por:

Onde: X – número de sucesso no experimento;

p – a probabilidade de sucesso no experimento;

q – a probabilidade de fracasso no experimento.

4.1.1 Média, Variância e desvio padrão da Distribuição de Bernoulli

a) Esperança Matemática ou média ( )
E(X) = p;

b) Variância e Desvio Padrão

Var(X) = p*q;

Exemplo 1. Uma urna tem 30 bolas brancas e 20 verdes. Retira-se uma bola dessa urna.
Seja X” nº de bolas verdes dentro da urna”
Calcular P(X), E(X), Var(X).
Solução:

X=

E(X) = 2/5; Var(X) = 2/5 * 3/5 = 6/25

4.2 Distribuição Binominal

Docente: Msc. Delson Mugabe 2

A distribuição Binominal poderá ser empregada quando num evento especificado se deseja calcular a
probabilidade de uma acontecimento composto por vários eventos aconteça. Neste caso, os eventos que
constituem o acontecimento devem ser independentes e a ordem dos eventos, dentro do acontecimento, não
influencia o cálculo da probabilidade. Em muitas outra situações é necessário a reposição dos dados, para
que se possa usar a distribuição binomial; em outras palavras, emprega-se a distribuição Binominal para
medir o número de sucessos em uma sequência de n ensaios independentes de Experimento de Bernoulli,
P(X), quando:
1) existirem somente 2 resultados mutuamente exclusivos;
2) as n tentativas forem independentes,;
3) a probabilidade de ocorrência de sucesso, p, permanece constante em cada tentativa.

Propriedades
O cálculo da probabilidade de um evento A deve satisfazer as seguintes propriedades:

a)

b) , sendo S o conjunto de todos os resultados possíveis ou universo.

c) P( ) = 0

Para representar que uma variable aleatório X segue uma distribuição Binomial de parámetros n e p, se
escreve:

Nessas condições a v.a. X tem distribuição Binominal, e sua função de probabilidade é dada por:

Exemplo 2: Uma amostra aleatória de 15 pessoas é obtida de uma população em que 40% têm uma
determinada posição política. Determina a probabilidade de exatamente 6
indivíduos na amostra terem essa determinada posição política?

Solução:
Seja: X” posição política de uma determinada população”
n = 15; p = 40% e x = 6
X ~ Bin (15; 0.4)

Docente: Msc. Delson Mugabe 3

4.2.1 Média, Variância e desvio padrão da distribuição Binominal
a) Valor esperado ou média ( )
= E(X) =
b) Variância
Var (X) = ;
Exemplo 3: Numa família de 5 crianças a probabilidade de nascer um menino é de 0.51. determine;
a) A probabilidade de nascer exactamente 3 meninos;
b) A probabilidade de nascer no máximo 2 meninos;
c) A probabilidade de nascer ao menos um menino;
d) O valor da experança matemática e da variância.

Solução:
Seja X” O número de meninos numa família de 5 crianças”
X ~ Bin(5; 0.51) então
a) n = 5; p = 0.51; q = 1 – 0.51 = 0.49; x = 3

R: A probabilidade de nascer exactamente 3 meninos na família de 5 crianças é de 0.2686;

b) n = 5; p = 0.51; q = 0.49; X

R: a probabilidade de nascer no máximo 3 meninos na família de 5 crianças é de 0.4812;

c) n = 5; p = 0.51; q = 0.49; X

R: A probalidade de nascer ao menos um menino na família de 5 crianças é de 0.9718;

d) n = 5; p = 0.51; q = 0.49
E(X) = n * p = 5 * 0.51 = 2.55
Var(X) = n * p * q = 5 * 0.51 * 0.49 =1.2495
R: Na família das 5 crianças, espara-se em media nascimento de 3 menino com uma variância de
1.2495.

4.3 Distribuição de Poisson

Distribuição de Poisson é também uma distribuição de probabilidade discreta. Ela expressa, por exemplo,
a probabilidade de um certo número de eventos ocorrerem num dado período de tempo, caso estes ocorram

Docente: Msc. Delson Mugabe 4

com uma taxa média conhecida e caso cada evento seja independente do tempo decorrido desde o último
evento.

Exemplos:
 Usuários de computador ligados à Internet;
 Clientes chegando ao caixa de um supermercado;
 Acidentes com automóveis em uma determinada estrada;
 Número de carros que chegam a um posto de gasolina;
 Número de aviões seqüestrados em um dia;
 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.

A distribuição de Poisson exige que:

 A variável aleatória X seja o número de ocorrências de um evento em um determinado intervalo;
 As ocorrências sejam aleatórias;
 As ocorrências sejam independentes umas das outras;
 As ocorrências tenham a mesma probabilidade sobre o intervalo considerado.

A função de probabilidade da distribuição de Poisson é dada por:

Onde:
x – número de sucessos do acontecimentob em n provas independentes;

– número médio de ocorrências com sucesso;

e – base do algorítimo natural, e = 2.71828128...

4.3.1 Média, Variância e desvio padrão da Distribuição de Poisson

a) Média ou Valor Esperado ( )
= E(X) =
b) Variância e Desvio Padrão
Var (X) = ;

Exemplo 4: O número de navios petroleiros que chegam por dia a uma refinaria segue a distribuição de
Poisson com parâmetro = 2. As actuais instalações do porto têm capacidade para atender o atracamento
de 3 navios no máximo por dia. Se por acaso chegarem mais navios, os que excederem a 3 são mandados
para outro porto mais distante.

Docente: Msc. Delson Mugabe 5

Dados: X “O número de navios petroleiros que chega por dia a uma refinaria”

X ~ P(2)

= 2, x = 4

a) Em um dia, qual a probabilidade de atender exactamente 3 navios neste porto?

b) Em um dia, qual a probabilidade de se ter que mandar navios a outro porto?

c) (2.0) Qual o número esperado de navios que conseguem atracar na refinaria por dia?

4.4 Distribuição Normal

A distribuição normal é uma das mais importantes distribuições da estatística, conhecida também como
Distribuição de Gauss ou Gaussiana. Além de descrever uma série de fenômenos físicos e financeiros, possui
grande uso na estatística inferencial.

A distribuição normal depende inteiramente de dois parâmetros que são a média e desvio padrão, ou seja,
conhecendo-se estes consegue-se determinar qualquer probabilidade em uma distribuição Normal.

Um interessante uso da Distribuição Normal é que ela serve de aproximação para o cálculo de outras
distribuições quando o número de observações fica grande. Essa importante propriedade provem do
Teorema Central do Limite que diz "toda soma de variáveis aleatórias independentes de média finita e
variância limitada é aproximadamente Normal, desde que o número de termos da soma seja suficientemente
grande" (n > 30).

4.4.1 Função de densidade de probabilidades

4.4.2 Uma variável aleatória contínua X, diz-se que é normalmente distribuida se a sua função de
densidade de probabilidades f(x) é assim definida,

Docente: Msc. Delson Mugabe 6

 ; -α > x < +α

Onde: µ - média da distribuição (média populacional)

σ – desvio padrão da distribuição (desvio padrão populacional) e = 2.71821828

Valores de Z

Figura : Curva de distribuição Normal

4.4.2 Distribuição Normal Padrão

Se a variável aleatória X com a média µ e o desvio pradrão σ, for expressa em unidades reduzidas (escores

reduzidos), através da variável z, onde , pode-se mostrar que z também é normal com a média

E(z) = 0 e Desvio padrão σ(z) = 1.

Logo sua função de densidade de probabilidadee será:

; -α > x < +α

Para se anotarem as distribuições normais usa-se:

X ~ N(μ,σ2), lê-se “a variável aleatóa X tem distribuição normal com a média µ e desvio padrão σ”;

Z ~ N(0,1), lê-se “a variável aleatóa Z tem distribuição normal com a média 0 e desvio padrão 1”;

4.4.3 Média, Variância e desvio padrão da Distribuição Normal

a) Média ou esperança Matemática, E(x) = µ = n*p;

b) Variância σ2(x) = n*p*q;

Docente: Msc. Delson Mugabe 7

c) Desvio padrão ;

4.4.4 propriedades da distribuição Normal

1. f(x) é simétrico em relação à origem x = µ, ou φ(z) é simétrico em relação à origem z = 0, E(x) = M o(x) =
Me(x);

2. f(x) possui um máximo para x = µ ou possui um máximo para z = 0;

3. f(x) tende a zero quando x tende para -α ou +α, o mesmo acontece prar φ(z) quando z tende para -α ou
+α.

4. A área sob a curva normal entre e

, corresponde aproximadamente a 68.3%, entre
e correponde aproximadamente a 95.4%, e entre e corresponde aproximadamente
a 99.7%, respectivamente da área total.

4.4.5 Função de distribuição acumulada de probabilidades

A função de distribuição acumulada de probabilidades da variável aleatória é dada pela expressão:

; -α > x < +α

A função F(x) é usada para o cálculo de probabilidades através de tabelas que oferecem as áreas
(probabilidades) sob a curva normal padrão. Nas nossas aulas usaremos a tabela conhecida como tabela de
faixa central que dá a área sob a curva normal padrão entre z = 0 e qualquer valor positivo ou negativo de
z.

Os valores de Z devem ser procurados na primeira coluna (unidades e décimas) e na primeira linha
(centésimas). E a probabilidade corresponde é valor da intersecção da coluna e da linha de Z localizado

Exemplos de alguns casos.

Caso 1. A probabilidade de que uma variável aleatória normal Z, assuma um valor no intervalo é

dada pela fórmula de Newton Leibniz.

Onde Z1 e Z2 são valores padronizados (escores reduzidos)

Docente: Msc. Delson Mugabe 8

Os valores da função de Laplace
, são tabelados, sendo com z 5. Para z > 5 usa-

se a aproximação = 0.5.

Exemplo 5: calcular a probabilidade de que um valor, esteja no intervalo [0.81 , 1.94]

Solução:

a) P( 0,81 < Z <1,94) =

Exemplo 6: calcular a probabilidade de que um valor, esteja no intervalo

Solução:

Caso 2. A probabilidade de que uma variável aleatória normal X, assuma um valor no intervalo ,

sendo x1 e x2 não padronizados.

; onde: e

Exemplo 7: o salário semanal dos operários industriais é distribuído normalmente em torno de uma média
de 180 cts com um desvio padrão de 25 cts.
a) Encontre a probabilidade de um operário ter um salário semanal situado entre 150 cts e 178 cts;
b) Dentro de que desvio de ambos lados da média, cairão 96% dos salários?

Docente: Msc. Delson Mugabe 9

Solução: Dados: σ = 25Mt, µ = 180Mt; x1 = 150Mt; x2 = 178Mt.
a) Primeiro vamos padronizar x1 e x2;

b) ; então:

Para uma distribuição simétrica de onde e . Da tabela de

distribuição normal padrão verifica’se que z = 2.05

Usando a transformação temos:

X1 = -2.05*25 + 180 = 128.75; x2 = 2.05*25 + 180 = 231.25

O intervalo simétrico procurado é

Caso 3. A probabilidade de que uma variável aleatória normal Z, assuma um valor no intervalo ]
; z1].

ou

Exemplo 8: As alturas dos alunos de determinada escola são normalmente distribuídas com média 1.60 m e
o desvio padrão 0.30 m. Encontre a probabildade de um aluno medir menos de 1.48 m.

Solução: Dados: σ = 0.30 m, µ = 1.60 m; x = 1.48

Começaremos por padronizar o valor de x.

P(x < 1.48) = p(z < z1) =

Caso 4: A probabilidade de que uma variável aleatória normal Z, assuma um valor no intervalo [z 1; [

P(z > z1) = ou P(z > z1) =

Docente: Msc. Delson Mugabe 10

Exemplo 9: Calcula a probabilidade de que z assuma um valor maior -1.38.
Solução:
P(z > -1.38) =

4.5 Aproximação entre as distribuições especiais de probabilidades

4.5.1 Apriximação da distribuição Binominal para a Distribuição de Poisson

A distribuição Binomial com os parâmetros n e p, converge para Distribuição de Poisson com parâmetros λ =
n*p, se o número de observações for muito grande (n > 50) e a probabilidade de sucesso for muito pequeno
(p < 0.1). A aproximação é tanto maior quanto maior for o número das observações independentes (n )
e a probabilidade de sucesso for pequeno (p ).

Exemplo 10: Um contetor contém 500 caixas de latas de sardinha. A probabilidade de tirar do contetor uma
caixa e esta conter latas fora do prazo é de 0.002. calcular a probabilidade de tirar exactamente do contetor
2 caixas com latas fora do prazo.
a) Usando a distribuição Binominal;
b) Usando a distribuição de Poisson.
Solução:
Seja: X” o número de latas defeituosas numa caixa”
n = 500, p = 0.002; q = 0.998
a) X ~ Bin (500; 0.002) então

b) λ = n* p = 500 * 0.002 = 1; X ~ P(1)

4.5.2 Aproximação da Distribuição Binominal para a Distribuição Normal

Quando a probabilidade de ocorrência de sucesso é igual a de fracasso (p = q) na distribuição Binominal,
pode se aproximar a mesma emdistribução Normal; isto é; Para X ~ Bin (n; p) e p pode se admitir

que X ~ N (n*p; n*p*q) onde e

Exemplo 11: calcule a probabilidade de obter entre 4 a 7 caras inclusives em 12 lançamentos de uma
moeda equelibrada.
a) Usando a distribuição Binominal;
b) Usando a aproximação normal.
Solução:

Docente: Msc. Delson Mugabe 11

 Seja: X “ o núnero de caras em 12 lançamento de uma moeda equilibrada”
n = 12, p = 0.5 e
a) X ~ Bin (12; 0.5) então

b) X ~ N(12*0.5; 12*0.5*0.5); ;

Como estamos aproximar uma destribuição da variável discreta para uma distribuição da variável
contínua, é necessário fazer a correcção dos limites do intervalo de classe das probabilidades,
transformando-os para contínuos.

4.5.3 Aproximação da Distribuição de Poisson para a Distribuição Normal

A distribuição de Poisson com o parâmetro λ, converge para a distribuição Normal quando a número médio
de sucessos for suficientimente grande (λ > 20).

Exemplo 12: a desitegração radioactiva se realiza em quantidades que seguem a distribuição de Poisson
com a média de 25 segundos por quantidade. Calcule a probabilidade de que a quantidade desintegrada
esteja no intervalo de 23 a 27 iclusive.
a) Usando a distribuição de Poisson;
b) Usando a aproximaç`ao normal.

Solução:
Seja: X” a quantidade da desintegração radioactiva num intervalo de tempo”
a) X ~ P(25)

b) X ~ N(25; 25); ;

Docente: Msc. Delson Mugabe 12