Material de Apoio CEQ Parte II

UNIVERSIDADE DO VALE DO RIO DOS SINOS
Ciências Exatas e Tecnológicas

CEQ – Profª Karla Faccio
Material de apoio – Controle Estatístico da Qualidade

Parte II
Profa. Karla Faccio
4. COMBINATÓRIA
4.1 Fatorial
n! = n.(n - 1).(n - 2) ... 3.2.1 e tem-se também que 0! = 1

A relação n! = n.(n -1)! poderá ser útil em algumas situações.
Exemplo: Um professor comprou 5 novos livros e quer colocá-los lado a lado em uma
estante. Quantas maneiras diferentes existem de colocar os 5 livros?
Solução: Para o primeiro espaço, existem 5 escolhas possíveis, uma para cada livro.
Uma vez colocado o primeiro livro, restam 4 escolhas para o segundo espaço e assim
por diante. Então o número de escolhas diferentes é: 5! = 5.4.3.2.1 = 120.
Resolvendo no RStudio:
#Sintaxe:
factorial(x)
#Exemplo:
factorial(0)
[1] 1
factorial(5)
[1] 120
4.2 Permutações (Arranjos)
Uma permutação consiste do número de possíveis maneiras de arranjar certos conjuntos

de objetos.
O número de permutações de n objetos distintos tomados em grupos de r, onde r é
menor que n é representado por P(n, r), e P(n, r) = n.(n - 1).(n - 2) ... (n - r + 1).
Ou o número de permutações pode ser expresso em função do fatorial da seguinte
forma:
n!
P ( n, r ) =
(n − r )!
Exemplo:
Calcular cada permutação:
P(4, 2) = 4.3 = 12
P(7, 3) = 7.6.5 = 210
P(5, 5) = 5.4.3.2.1 = 120 = 5!
1
4.3 Combinações
Existem certos arranjos onde a ordem entre os elementos não é importante, por
exemplo, para calcular a probabilidade de acertar a sena, a quina, etc. não é necessário
saber a ordem em que os números foram sorteados, mas apenas a combinação de
números. Permutações (arranjos) onde a ordem não interessa são denominadas de
combinações.
O número de combinações de n objetos tomados em grupos de r, onde r < n é dado por:

P ( n, r ) n!
C ( n, r ) = =
r! r!.(n − r )!
Exemplo:
Uma forma comum de pôquer consiste em conjuntos de cinco cartas cada, retiradas de
um baralho padrão de 52 cartas. Quantos conjuntos diferentes são possíveis?
Solução: Neste caso a ordem não é importante, pois um dado conjunto de cartas
depende apenas das cartas que ele contém e não da ordem específica que ele foi dado.
Neste caso, aplica-se o conceito de combinação:
52!
Assim C (52,5) = = 2.598.960
5!.(52 − 5)!
Calcula o número de combinações de n elementos em grupos de tamanho r.
#Sintaxe:
choose(n,r)
#Exemplo:
choose(52,5)
[1] 2598960
Exercício: Considere o jogo da Megasena, onde o jogador possui uma cartela com 60
números e pode escolher 6 números. Calcule o número de combinações possíveis.
#Sintaxe:
choose(n,r)
#Exemplo:
choose(60,6)
[1] 50063860
2
5. DISTRIBUIÇÕES / MODELOS DE PROBABILIDADE
A distribuição de probabilidade de uma variável aleatória X é uma descrição das

probabilidades associadas com os valores possíveis de X. Em alguns casos, é
conveniente expressar a probabilidade através de uma fórmula matemática, chamada de
Modelo de Probabilidade.
Há dois tipos de distribuição de probabilidades:
1. Distribuições Discretas: Uma variável aleatória é considerada discreta se puder

assumir um número finito de valores, ou ainda, se assumir uma seqüência infinita tal
como 0, 1, 2, etc.
2. Distribuições Contínuas: Quando a variável que está sendo medida é expressa em

uma escala contínua, como por exemplo, o peso de peças produzidas, diâmetro, etc.
No caso de distribuições discretas, a probabilidade que a variável X assuma um valor

específico x é dada por: P(X = x) = f(x). Deste modo, a distribuição de probabilidades é
definida por uma função de probabilidade.
No caso de variáveis contínuas, as probabilidades são especificadas em termos de
b
intervalos: P(a ≤ x ≤ b) = ∫ f ( x)dx . Deste modo, a distribuição de probabilidades é
a
definida por uma função de probabilidade.
Condições Necessárias:
Como os valores das distribuições de probabilidade são probabilidades (cada possível
valor da variável aleatória tem uma probabilidade associada), as seguintes condições se
aplicam a qualquer distribuição de probabilidades:
∑ f ( x) = 1 , se X for uma variável aleatória discreta 0 ≤ P(x) ≤1 para todo x.
∫ f ( x)dx = 1 , se X for uma variável aleatória contínua 0 ≤ P(x) ≤1 para todo x.
Valor esperado, esperança matemática, média ou valor esperado de uma variável

aleatória X
O valor esperado de uma variável aleatória X usa o modelo de probabilidade para

ponderar os valores possíveis de X. A média ou o valor esperado de X, denotado por µ
ou E(X) é expressa da seguinte forma:
n
µ = E ( X ) = ∑ x. f ( x) → se X for variável aleatória discreta
i =1
ou
3
+∞
µ = E( X ) = ∫
−∞
x. f ( x ) dx → se X for variável aleatória contínua
Variância e desvio padrão de uma variável aleatória X
A variância de uma variável aleatória X é dada por: Var(X) = E(X2) – [E(X)]2 , onde:
n
E ( X 2 ) = ∑ x 2 . f ( x) → se X for variável aleatória discreta
i =1
ou
+∞
E( X 2 ) = ∫ → se X for variável aleatória contínua
2
x . f ( x ) dx
−∞
E o desvio padrão é Var (X )
5.1 Distribuições / Modelos de Probabilidade para Variáveis Aleatórias

Discretas
Existem algumas distribuições de probabilidade para variáveis discretas que pela sua
freqüência de uso vale a pena estudar mais detalhadamente. Estas distribuições
apresentam expressões para o cálculo das probabilidades, isto é, as probabilidades f(x)
podem ser avaliadas através de um modelo matemático conhecido. Distribuições deste
tipo são: Binomial, Poisson, Bernoulli, Binomial Negativa, Hipergeométrica,
Multinomial, Pascal, Geométrica, etc. Estudaremos a distribuição Binomial, a
Hipergeométrica e a Poisson.
4
5.1.1 Distribuição / Modelo Binomial
Seja um processo composto de uma seqüência de observações independentes, onde o

resultado de cada observação pode ser um sucesso ou uma falha. A distribuição
Binomial é usada com freqüência no controle de qualidade. Em aplicações de controle
da qualidade, x em geral representa o número de defeituosos observados em uma
amostra de n itens. É o modelo apropriado quando a amostragem é feita sobre uma
população infinita ou muito grande.
A distribuição Binomial é útil para avaliar experimentos em que somente dois

resultados são possíveis: sucesso ou fracasso. As características desta distribuição são:
1º) O experimento pode ser repetido “n” vezes em condições essencialmente

inalteradas;
2º) As probabilidades “p” (sucesso) e “1-p” (fracasso) permanecem constantes em
todas as repetições.
Definição: Seja E um experimento aleatório e S um espaço amostral associado. Seja A

⊆ S um evento de S. Seja n o número de vezes que o experimento E é repetido e seja
“p” a probabilidade de A ocorrer em cada uma das n repetições de E, de modo que, “p“
permaneça constante durante as n repetições de E. Como existem apenas duas situações:
A ocorre ou A não ocorre, pode-se determinar a probabilidade de A não ocorrer como
sendo q = 1 - p. A probabilidade “p” é denominada de probabilidade de sucesso e a
probabilidade “q” de probabilidade de fracasso.
A equação matemática para a distribuição Binomial para se obterem x sucessos com

probabilidade p é:
n− x n!
P( X = x) = C xn . p x .(1 − p ) ,
n
onde: C x =
x!.(n − x)!
Onde: C xn representa o número de combinações de n objetos tomados x de cada vez;

P(X = x): probabilidade de x sucessos uma vez que n e p são conhecidos;
n: tamanho da amostra;
p: probabilidade de sucesso → q = (1-p): probabilidade de falha;
x: número de sucessos na amostra (x = 0, 1, 2, ... , n), ou seja, o valor que se
deseja determinar.
Para simplificar a notação de uma variável aleatória discreta X com distribuição
Binomial de parâmetros “n” e “p”, representa-se X ~ B(n ; p).
OBS. A Média ou Esperança matemática de uma variável aleatória com distribuição

binomial é µ = E(X) = n.p e a Variância é dada por Var (X) = n.p.(1-p) onde p é
proporção/probabilidade de sucessos na amostra.
Exemplo 1. Considere X como sendo a variável aleatória discreta igual ao “número de

vezes que ocorre face cara em 5 lançamentos de uma moeda equilibrada”, determine a
probabilidade de ocorrer:
a) Duas caras.
b) Quatro caras.
5
c) No máximo duas caras.
Solução:
Neste caso, tem-se:
n = 5 (número de lançamentos)
X : número de caras nos 5 lançamentos → X(S) = {0, 1, 2, 3, 4, 5}
p = P(Cara em 1 lançamento ) = 0,50, pois a moeda é equilibrada. Logo q = 1 - p = 0,50
X ~ B(5 ; 0,5)
Então:
P(X = x) = f(x) = C x5 .0,5x.0,55-x, para x = 0,1,2,3,4,5.
a) P(X = 2) = f(x) = C 25 .0,52.0,55-2 = 10.0,25.0,125 = 0,3125

Logo, a probabilidade de ocorrer 2 caras é 0,3125, ou seja, tem 31,25% de chance disto
ocorrer.
b) P(X = 4) = f(x) = C 45 .0,54.0,55-4 = 5.0,0625.0,5 = 0,1562

Logo, a probabilidade de ocorrer 4 caras é 0,1562, ou seja, tem 15,62% de chance disto
ocorrer.
c) P(X ≤ 2) = C 05 .0,50.0,55-0 + C15 .0,51.0,55-1 + C 25 .0,52.0,55-2 = 0,55 + 5.0,55 + 10.0,55

= 0,50
Logo, a probabilidade de ocorrer no máximo duas caras é 0,50, ou seja, tem 50% de
chance disto ocorrer.
a) Ou realizando a conta no Excel:

=DISTR.BINOM(x;n;p;FALSO) ou seja:
=DISTR.BINOM(2;5;0,5;FALSO)
Ou realizando a conta no RStudio:

p <- 0.5 #probabilidade
n <- 5 #número de amostras
x <- 2 #número de sucessos em 5 amostras
dbinom(x, n, p)
[1] 0.3125
b) Ou realizando a conta no Excel:


p <- 0.5 #probabilidade
n <- 5 #número de amostras
x <- 4 #número de sucessos em 5 amostras
dbinom(x, n, p)
[1] 0.1562
c) Ou realizando a conta no Excel:

=DISTR.BINOM(0;5;0,5;FALSO) + DISTR.BINOM(1;5;0,5;FALSO) +
6
DISTR.BINOM(2;5;0,5;FALSO)

p<-0.5 #probabilidade
n<-5 #número de amostras
x<-0
y<-1
z<-2
dbinom(x,n,p)+dbinom(y,n,p)+dbinom(z,n,p)
[1] 0.50
Exemplo 2. Um processo industrial opera com média de 1% de defeituosos.

Baseado em amostras de 100 unidades, calcule as probabilidades de uma amostra
apresentar 0 , 1 , 2 , 3 e 4 defeituosos.
Solução:
Como a variável aleatória pode apresentar apenas duas possibilidades, ser boa ou
defeituosa, a distribuição que melhor se ajusta é a distribuição binomial, com
parâmetros p = 0,01 e n = 100, e como q = (1 – p) = (1-0,01)
X ~ B(100 ; 0,01)
Então, a probabilidade de uma amostra de tamanho n = 100 apresentar 0 defeituosos é:
P(X = 0) = f(x) = C 0100 .0,010.(1 - 0,01)100-0 = 0,366

Logo, a probabilidade de ocorrer 0 defeituosos é 0,366, ou seja, tem 36,6% de chance
disto ocorrer.
Ou realizando a conta no Excel:


x<-0
dbinom(x,n,p)
[1] 0.3660323
1 defeituoso é:
P(X = 1) = f(x) = C1100 .0,011.(1 - 0,01)100-1 = 0,3697296

Logo, a probabilidade de ocorrer 1 defeituoso é 0,3697, ou seja, tem 36,97% de chance
disto ocorrer.

x<-1
dbinom(x,n,p)
7
[1] 0.3697296
2 defeituosos é:
P(X = 2) = f(x) = C 2100 .0,012.(1 - 0,01)100-2 = 0,185

disto ocorrer.


x<-2
dbinom(x,n,p)
[1] 0.1848648
3 defeituosos é:
P(X =3) = f(x) = C 3100 .0,013.(1 - 0,01)100-3 = 0,061
disto ocorrer.


x<-3
dbinom(x,n,p)
[1] 0.06099917
4 defeituosos é:
P(X =4) = f(x) = C 4100 .0,014.(1 - 0,01)100-4 = 0,015

disto ocorrer.


x<-4
dbinom(x,n,p)
[1] 0.01494171
8
Exemplo 3: As entregas realizadas para uma empresa têm ocorrido dentro do prazo em
86% dos pedidos. Se são prometidas 20 entregas deste tipo, qual a probabilidade de que
exatamente 15 ocorram no prazo indicado? E qual deve ser a quantidade de entregas no
prazo mais provável de ocorrer?
Solução:
X ~ B(20 ; 0,86)
Como p = 0,86 e n = 20, a probabilidade de obter x entregas no prazo é calculada
n− x
usando, P( X = x) = C xn p x (1 − p ) , neste exemplo, o solicitado é para x=15:
20−15
P( X = 15) = C1520 0,8615 (1 − 0,86) = 0,0868
Logo, a probabilidade de ocorrer 15 entregas no prazo é 0,0868, ou seja, tem 8,68% de

chance disto ocorrer.


x<-15
dbinom(x,n,p)
[1] 0.08680819
E a quantidade de entregas no prazo mais provável de ocorrer será dada pelo cálculo da
média (esperança matemática) da distribuição Binomial é µ = E(X) = np = 20 . 0,86 =
17,2 entregas, assim, espera-se que de 20 entregas, 17 ocorram no prazo.
Exemplo 3:
A probabilidade de uma peça artesanal ser feita com perfeição por um artesão é de 50%.
Considerando que o artesão produz, de maneira independente, 6 peças por dia, pede-se:
a) Obter a distribuição de probabilidades, ou seja, as probabilidades associadas aos

valores da variável aleatórias discreta x, em que x = número de peças perfeitas
produzidas pelo artesão num único dia.
Observação: x = {0,1,2,3,4,5,6}, n = 6, p = 0.5.
x<-0:6
n<-6
p<-0.5
bino<-dbinom(x, n, p)
bino
[1] 0.015625 0.093750 0.234375 0.312500 0.234375 0.093750 0.015625
9
b) Plotar o gráfico com os valores da probabilidade calculada.
plot(x,bino,type="h",xlab="N◦ de peças com perfeição", +

ylab="Probabilidade",main="Distribuição binomial")
10
Exercício:
Um processo opera segundo uma chance de falha de 2%. Coletando amostras de 25
unidades, qual a probabilidade de uma amostra selecionada apresentar:
a) Exatamente 2 defeituosos.
b) Pelo menos (no mínimo) 2 defeituosos.
b) No máximo 2 defeituosos (2 defeituosos ou menos).
11
5.1.2 Distribuição / Modelo Hipergeométrico
Um experimento hipergeométrico é um experimento com as seguintes propriedades:
- Uma amostra de tamanho n é selecionada aleatoriamente sem reposição de uma

população de N itens.
- Na população, r itens podem ser classificados como sucessos e N – r itens como
fracassos.
Considere o seguinte experimento estatístico:

Você possui uma urna com 10 bolinhas de gude, das quais 5 são vermelhas e 5 são
verdes. Você selecciona aleatoriamente 2 bolinhas de gude sem reposição e conta o
número de bolinhas vermelhas que você selecionou. => Este seria um experimento
Hipergeométrico. Note que não será um experimento Binomial, uma vez que o
experimento Binomial exige que a probabilidade de sucesso seja constante em cada
tentativa.
Com o experimento acima, a probabilidade de um sucesso muda em cada tentativa. No
início, a probabilidade de selecionar uma bolinha vermelha é 5/10. Se você selecionar
uma bolinha vermelha na primeira tentativa, a probabilidade de selecionar uma bolinha
vermelha na segunda tentativa é 4/9. E se você selecionar uma bolinha verde na
primeira tentativa, a probabilidade de selecionar uma bolinha vermelha na segunda
tentativa é 5/9.
Note ainda que se você selecionou as bolinhas com reposição, a probabilidade de
sucesso não mudaria, isto é, seria 5/10 em cada tentativa. Então, este seria um
experimento Binomial.
Desta forma, considere um conjunto de N elementos, r dos quais tem uma determinada
característica (r ≤ N) e N – r não tenham esta característica.
Extrai-se n elementos (n ≤ N) sem reposição.
Seja X a variável aleatória igual ao número de elementos que possuem a característica

entre os n retirados. X é denominada de variável aleatória Hipergeométrica.
As probabilidades de uma variável aleatória hipergeométrica podem ser avaliadas por:
C xr .C nN−−xr
P( X = x) = , com x = 0,1,2,··· ,min(n,r)
C nN
Uma vez que X = x, se e somente se, forem retirados x elementos dentre os r que
possuem a característica e forem retirados n – x dentre os N – r que não possuem a
característica.

Hipergeométrica de parâmetros “r”, “n” e “N”, representa-se X ~ Η (r ; n; N).
12
OBS: A Média ou Esperança matemática de uma variável aleatória com distribuição
r.n
hipergeométrica é µ = E(X) = e a Variância é dada por Var (X) =
N
n.r ( N − r ) ( N − n)
. . .
N N ( N − 1)
OB: Se as extrações fossem feitas com reposição, iríamos ter uma distribuição
Binomial, ou seja, para N suficientemente grande a distribuição Hipergeométrica pode
ser aproximada pela distribuição Binomial.
Exemplo 1: Uma caixa contém 12 lâmpadas das quais 5 estão queimadas. São
escolhidas 6 lâmpadas ao acaso. Qual a probabilidade de que:
a) Exatamente duas estejam queimadas?

Solução:
Tem-se N = 12, r = 5 e n = 6, ou seja, X ~ Η (5 ; 6; 12), então:
C 25 .C 612−−25
P ( X = 2) = = 0,3788 = 37,88%
C 612

=DIST.HIPERGEOM.N(x;n;r;N;FALSO) ou seja:
=DIST.HIPERGEOM.N(2;5;6;12;FALSO)
b) Pelo menos duas estejam queimadas?

Solução:
 C 5 .C 12−5 C 5 .C 12−5 
P( X ≥ 2) = 1 − P( X < 2) = 1 − [P( X = 0) + P( X = 1)] = 1 −  0 126−0 − 1 126−1  = 0,8788 = 87,88%
 C6 C6 

=1 – (DIST.HIPERGEOM.N(0;5;6;12;FALSO) +
DIST.HIPERGEOM.N(1;5;6;12;FALSO))
c) O número esperado de lâmpadas queimadas?

Solução:
r.n 5.6
E(X) = = = 2,50
N 12
d) A variância do número de lâmpadas queimadas?

Solução:
n.r ( N − r ) ( N − n) 5 .7 .6
s2= var (X) = . . = = 0,13
N N ( N − 1) 12.12.12
13
Exemplo 2: Suponha que sejam selecionadas aleatoriamente 5 cartas de baralho, sem
reposição, de um maço baralho que possui 52 cartas. Qual é a probabilidade de obter
exatamente 2 cartas de baralho vermelhas (isto é, copas ou ouros)?
Solução:
Tem-se N = 52, r = 26 cartas vermelhas, n = 5 cartas selecionadas aleatoriamente e
x = 2, Logo X ~ Η (26 ; 5; 52), então:
C 226 .C 552−2− 26 C 226 .C 326 325.2600

P ( X = 2) = = = = 0,32513 = 32,51%
C 552 C 552 2598960
Assim, a probabilidade de selecionar aleatoriamente 2 cartas vermelhas é 32,51%.

=DIST.HIPERGEOM.N(x;n;r;N;FALSO) ou seja:
=DIST.HIPERGEOM.N(2;5;26;52;FALSO)
Exercício 1: De uma urna com 8 bolas vermelhas, 6 pretas e 6 brancas são extraídas 10
bolas. Calcule qual a probabilidade de que sejam extraídas exatamente 4 bolas brancas
considerando os casos:
a) Sem reposição.
b) Com reposição.
14
Exercício 2: Suponha que sejam selecionadas aleatoriamente 5 cartas de um maço de
baralho que possui 52 cartas. Qual é a probabilidade de obter no máximo 2 cartas de
copas considerando os seguintes casos:
a) Sem reposição.
b) Com reposição.
15
5.1.3 Distribuição / Modelo Poisson
Depois da Binomial, a distribuição de Poisson é a distribuição de probabilidade discreta

mais utilizada, pois pode ser aplicada a muitos casos práticos nos quais interessa o
número de vezes que um determinado evento pode ocorrer durante um intervalo de
tempo ou num determinado ambiente físico, por exemplo:
• O número de acidentes de carros por dia numa grande cidade.

• O número de chamadas telefônicas por hora recebidas na central telefônica
durante o período normal de operação de uma empresa.
• O número de defeitos de soldagem em seis metros de tubo.
• O número de garrafas mal fechadas por trinta minutos na máquina de
enchimento de cerveja.
A variável aleatória envolvida é discreta (número de ocorrências), no entanto, a unidade

de medida é contínua (tempo, área).
Exemplos de variáveis que podem pertencer a uma distribuição de Poisson:
- Número de carros que passam pelo pedágio em 1 hora.
- Número de clientes atendidos por um caixa em 1 dia.
- Número de mortes por afogamento das 5:00 às 17:00hs.
- Número de partículas emitidas por um corpo radioativo num certo período de tempo.
Ou seja, numa distribuição de Poisson sempre temos que definir o intervalo / período da
variável.
A aplicação típica da distribuição de Poisson no controle da qualidade é como um

modelo para o número de defeitos (não-conformidades) que ocorre por unidade de
produto (por m2, por volume ou por tempo).
Diz-se que existe um processo de Poisson se pudermos observar eventos discretos numa
área de oportunidade (um intervalo contínuo, por exemplo, de tempo, de comprimento,
de área, etc) de maneira tal que, reduzindo suficientemente essa área de oportunidade
que pode ser um intervalo de tempo, espaço, ou área na qual mais de uma ocorrência de
um evento pode ocorrer:
1. A probabilidade de se observar apenas um sucesso no intervalo é estável;
2. A probabilidade de se observar mais de um sucesso no intervalo é zero;
3. A ocorrência de um sucesso em qualquer intervalo é estatisticamente independente da

ocorrência em qualquer outro intervalo.
A distribuição de Poisson possui apenas um parâmetro, o λ (lambda) que é taxa média

de ocorrência por unidade de medida ou o número esperado de sucessos por unidade. A
16
variância desta distribuição é Var(X) = λ. O número de sucessos por área de

oportunidade da variável aleatória X de Poisson varia de 0 a ∞.
A equação matemática para a distribuição de Poisson para se obterem x sucessos, uma

vez que λ sucessos são esperados é:
e − λ .λ x
P( X = x) = , onde x = 0, 1, 2, ...
x!
Onde, P(x) = probabilidade de x sucessos, dado o conhecimento de λ.
λ = taxa / número esperado de sucessos.
e = constante matemática (aproximadamente 2,71828).
x = número de sucessos por unidade / número de eventos que ocorrem em um intervalo
sobre o qual se espera uma média λ de ocorrências.
A média e o desvio padrão da distribuição de Poisson são: µ = λ e σ = λ .

Poisson, com média λ, utiliza-se: X ~ P (λ).
Exemplo1: Em um certo tipo de fabricação de fita magnética, ocorrem defeitos a uma

taxa de 1 a cada 2000 metros. Qual a probabilidade de que um rolo com 2000 metros de
fita magnética:
a) Não tenha defeitos?
b) Tenha no máximo dois defeitos?
c) Tenha pelo menos dois defeitos?
Solução:
Neste caso, tem-se:
λ: taxa de defeitos / número esperado de defeitos a cada 2000 metros.
X: número de defeitos a cada 2000 metros.
S = {0, 1, 2, 3, ...}
X ~ P(1)
e −λ λ x
P( X = x) = , para x = 0,1,2,3,...
x!
e −110
a) P(X=0) = = e −1 = 0,3679
0!
=DIST.POISSON(x;média;FALSO) ou seja:
=DIST.POISSON(0;1;FALSO)

x<-0
lambda<-1
dpois(x,lambda)
[1] 0.3678794
17
−1 0 −1 1 −1 2
e 1 e 1 e 1
b) P(X ≤ 2) = [ P(X=0) + P(X=1) + P(X=2) ] = + + = 0,9197
0! 1! 2!
=DIST.POISSON(0;1;FALSO) + DIST.POISSON(1;1;FALSO) +
DIST.POISSON(2;1;FALSO)

x<-0
y<-1
z<-2
lambda<-1
dpois(x,lambda)+dpois(y,lambda)+dpois(z,lambda)
[1] 0.9196986
 e −110 e −111  -1
c) P(X ≥ 2) = 1- P(X ≤ 1) =1 – [P(X=0) + P(X=1)] = 1-  +  = 1 – 2e = 0,2642
 0! 1! 
=1 – ((DIST.POISSON(0;1;FALSO) + DIST.POISSON(1;1;FALSO))

x<-0
y<-1
lambda<-1
1-(dpois(x,lambda)+dpois(y,lambda))
[1] 0.2642411
Exemplo 2: Num livro de 800 páginas há 800 erros de impressão.
a) Qual a probabilidade que uma página contenha pelo menos 3 erros?
Variável estudada (X): número de erros por página.

S = {0,1,2,3,4,...}
X ~ P(1)
Logo, λ = 1 (taxa / número de erros esperado por página)
e −λ λ x
P(X ≥ 3) = = 1 – [ P(X ≤ 2) ] = 1 – [ P(X=0) + P(X=1) + P(X=2) ] =
x!
 e −110 e −111 e −112  -1
=1–  + +  = 1 – e [ 1+1+1/2] = 0,0803
 0! 1! 2! 
=1 – ((DIST.POISSON(0;1;FALSO) + DIST.POISSON(1;1;FALSO +
DIST.POISSON(2;1;FALSO))

x<-0
y<-1
z<-2
lambda<-1
1-(dpois(x,lambda)+dpois(y,lambda)+dpois(z,lambda))
[1] 0.0803014
18
b) Qual a probabilidade que em 3 páginas ocorram pelo menos 2 erros?
Y: número de erros em 3 páginas.

S = {0,1,2,...}
X ~ P(3)
Logo, λ = 3 (taxa / número esperado de erros em 3 páginas)
 e −3 30 e −3 31 
P(Y ≥ 2) = 1 – [ P(Y ≤ 1) ] = 1 – [ P(Y=0) + P(Y=1) ] = 1 -  +  = 0,8008
 0! 1! 

=1 – ((DIST.POISSON(0;3;FALSO) + DIST.POISSON(1;3;FALSO))

x<-0
y<-1
lambda<-3
1-(dpois(x,lambda)+dpois(y,lambda))
[1] 0.8008517
Exemplo 3: Suponha que o número de óbitos semanais na emergência de um hospital

siga uma distribuição de Poisson com λ = 3. Então, a probabilidade que uma semana
apresente:
X ~ P(3)
a) Exatamente três 4 óbitos.

e −λ λ x e −3 3 4 0,0497870.81
P( X = x) = onde x = 4 e λ = 3, então: P (4) = = = 0,1680
x! 4! 24

=DIST.POISSON(4;3;FALSO)

x<-4
lambda<-3
dpois(x,lambda)
[1] 0.1680314
b) Mais de três óbitos será.
e −3 3 0 e −3 31 e −3 3 2 e −3 3 3
1 − P{X ≤ 3} = 1 − [ + + + ]=
0! 1! 2! 3!
1 − [0,049787 + 0,149361 + 0, 224042 + 0, 224042 ] = 1 − 0,6472 = 0,3528

=1 – ((DIST.POISSON(0;3;FALSO) + DIST.POISSON(1;3;FALSO +
DIST.POISSON(2;3;FALSO+DIST.POISSON(3;3;FALSO))

x<-0
19
y<-1
z<-2
w<-3
lambda<-3
1-(dpois(x,lambda)+dpois(y,lambda)+dpois(z,lambda)+dpois(w,lambda))
[1] 0.3527681
Exercício 1:
O pessoal da inspeção da qualidade de uma empresa afirma que os rolos de fita isolante
apresentam, em média, uma emenda a cada 50 metros. Calcule a probabilidade de
ocorrer:
a) Nenhuma emenda em um rolo de 140 metros.
b) Pelo menos 2 emendas em um rolo de 120 metros.
c) Exatamente 4 emendas em um rolo de 100 metros.
20
Exercício 2: Os e-mails de clientes de uma grande rede de compras via internet chegam
a uma central de relacionamento a uma taxa de 6,5 e-mails por hora. Determine a
probabilidade de que, durante uma hora:
a) Não chegue nenhum e-mail. (R: 0,00150344)
b) Cheguem 5 e-mails. (R: 0,1453689)
c) Cheguem mais de 2 e-mails. (R: 0,956964)
21
5.2 Distribuições / Modelos de Probabilidade para Variáveis Aleatórias

Contínuas
A distribuição de probabilidade contínua mais importante e mais utilizada na prática é a

Distribuição Normal. Outros modelos importantes de distribuições contínuas são:
Uniforme, Exponencial, Gama, Weibull, Qui-Quadrado, t de Student, F de Snedecor,
etc.
5.2.1 Distribuição / Modelo Exponencial
Na distribuição de Poisson, a variável aleatória é definida como o número de

ocorrências em determinado período, sendo a média das ocorrências no período definida
como λ.
Na Distribuição Exponencial, a variável aleatória é definida como o tempo entre duas

ocorrências, sendo o tempo médio entre ocorrências igual a 1/λ. Por exemplo, se a
média de atendimentos em um caixa bancário é de λ = 6 atendimentos por minuto,
então o tempo médio entre atendimentos é 1/λ = 1/6 de minuto ou 10 segundos. Se os
questionamentos de probabilidade se referirem ao tempo entre as ocorrências,
utilizamos o modelo exponencial.
As distribuições exponenciais envolvem probabilidades ao longo do tempo ou da

distância entre ocorrências num intervalo contínuo. Podem ser usadas para os tempos
entre falhas de equipamentos elétricos, os tempos de entregas aos clientes de uma loja,
para os tempos entre chamadas telefônicas etc.
Pode-se usar também esta distribuição para calcular probabilidades de falhas (no campo
da confiabilidade), ou seja, o intervalo de tempo decorrido entre o instante em que uma
peça é sujeita a um esforço mecânico e o instante em que ocorre uma falha (a quebra da
peça, por exemplo). O parâmetro λ representa a taxa de falha para o componente em
uma unidade de tempo, e 1/λ é o tempo médio até a falha.
Se considerarmos a distribuição de Poisson como o modelo para o número de

e − λt (λ t ) x
ocorrências de um evento no intervalo de [0, t] teremos: P ( X = x) = e nesse
x!
caso pode ser demonstrado que a distribuição dos intervalos entre ocorrências irá seguir
o modelo Exponencial com parâmetro λ.
O modelo da distribuição Exponencial (ou seja, a função densidade de probabilidade

da distribuição Exponencial) é dada por:
f ( x) = λ .e − λx , para t ≥ 0
0, caso contrário
Para simplificar a notação de uma variável aleatória contínua X com distribuição

Exponencial, com média 1/λ, utiliza-se: X ~ E(λ).
22
1
A média e o desvio-padrão da distribuição Exponencial são calculados usando: µ = e
λ
1
σ= .
λ
A função densidade de probabilidade acumulada da distribuição Exponencial (a qual

é utilizada para o cálculo das probabilidades) é dada por:
a
F (a) = P{ X ≤ a} = ∫ λe −λx dx = 1 − e −λa x≥0
0
Logo,
P ( X ≤ a ) = 1 − e − λa
ou
P ( X ≥ a ) = e − λa
Exemplo 1: Suponha que uma máquina falhe em média uma vez a cada dois anos.
Calcule a probabilidade da máquina falhar durante o próximo ano.
Solução:
Com a máquina falha em média 1 vez a cada 2 anos – a taxa anual é de λ=1/2=0,5 por
ano.
Assim, X ~ E(0,5)
F (a ) = P ( X ≤ 1) = 1 − e −0,5.1 = 1 - 0,6065 = 0,3935

=DISTR.EXPON(a; λ;VERDADEIRO) ou seja:
=DISTR.EXPON(1;0,5;VERDADEIRO)

a<-1
pexp(a,rate=0.50) #pexp(a, rate = valor do parâmetro)
[1] 0.3934693
23
Exemplo 2: Certo tipo de condensador tem tempo de vida distribuído exponencialmente
com média de 250 horas. Determine a probabilidade de estes condensadores durarem
menos que 320 horas.
Solução:
1
Sabe-se que o tempo de vida possui média de 250 horas, logo 250 = , assim λ = 0,004
λ
Assim, X ~ E(0,004)
F (a ) = P ( X ≤ 320) = 1 − e −0,004.320 = 1 - 0,278 = 0,722

=DISTR.EXPON(a; λ;VERDADEIRO) ou seja:
=DISTR.EXPON(320;0,004;VERDADEIRO)

a<-320
pexp(a,rate=0.004) #pexp(a, rate = valor do parâmetro)
[1] 0.7219627
Exemplo 3: O tempo de vida de certas lâmpadas fluorescentes tem distribuição

exponencial com média de 1500 h. Qual é a probabilidade de uma lâmpada durar mais
do que 3000 h?
Solução:
1
Sabe-se que o tempo de vida de lâmpadas possui média de 1500 horas, logo 1500 = ,
λ
assim λ = 0,0007
Assim, X ~ E(0,0007)
P ( X ≥ 3000) = e −0,0007..3000 = 0,1225

=1 – DISTER.EXPON(a; λ;VERDADEIRO) ou seja:
=1 – DISTR.EXPON(3000;0,0007;VERDADEIRO)

a<-3000
1-pexp(a,rate=1/1500) #pexp(a, rate = valor do parâmetro)
[1] 0.1224564
24
Exercício 1: Admita que o tempo de espera por atendimento em uma agência bancária
seja exponencialmente distribuído com média de 15 minutos. Determine a probabilidade
de um cliente esperar:
a) Menos de 5 minutos.
Realizando a conta no RStudio:

a<-5
pexp(a,rate=1/15) #pexp(a, rate=valor do parâmetro)
[1] 0.2834687
b) Mais de 10 minutos.

a<-10
1-pexp(a,rate=1/15) #pexp(a, rate=valor do parâmetro)
[1] 0.5134171
c) Entre 8 e 12 minutos.

b<-12
a<-8
pexp(b,rate=1/15)-pexp(a,rate=1/15)
[1] 0.1373173
25
Exercício 2: Uma fábrica de lâmpadas especiais tem sua produção com um tempo de
vida médio igual a 120 meses, seguindo comportamento exponencial.
a) Qual é a probabilidade de uma lâmpada ter durabilidade superior a 100 meses? R:
0,4346

a<-100
1-pexp(a,rate=1/120) #pexp(a, rate=valor do parâmetro)
[1] 0.4345982
b) Qual deve ser a garantia do fabricante para que deva repor apenas 5% da produção?
R: 6,15 meses

qexp(0.05, rate=1/120) #qexp(p, rate=valor do parâmetro)
[1] 6.155195
26
5.2.2 Distribuição / Modelo Normal (Curva de Gauss)
A Distribuição Normal ou Gaussiana é essencialmente importante na estatística por três

razões principais:
1. Inúmeros fenômenos contínuos parecem segui-la ou podem ser aproximados por

meio da mesma.
2. Podemos utilizá-la para aproximar várias distribuições de probabilidade discretas.
3. Ela oferece a base para a inferência estatística clássica, devido à sua afinidade com o
teorema do limite central (TCL).
Os parâmetros da distribuição Normal são a média (µ) e o desvio padrão (σ). Trata-se
de uma distribuição simétrica, unimodal, em forma de sino.
A função densidade de probabilidade da distribuição normal é dada por:

2
1  x−µ 
1 − 
2 σ 

f ( x) = e , onde:
σ 2π
e = constante matemática (aproximada por 2,71828)

π = constante matemática (aproximada por 3,14159)
µ = média aritmética da população, onde , -∞ < µ < ∞
σ = desvio padrão da população, onde σ > 0
x = qualquer valor da variável aleatória contínua, onde -∞ < x < ∞
A distribuição Normal, independentemente dos valores dos parâmetros, apresenta

sempre a seguinte relação:
27
Para simplificar a notação de uma variável aleatória contínua X com distribuição
Normal, com média µ e desvio padrão σ, utiliza-se: X ~ N(µ ; σ2)
A distribuição Normal acumulada é obtida calculando a probabilidade de X ser menor

que um dado valor a:
a 1  x−µ  2
a 1 −  
P( X ≤ a) = F (a ) = ∫ f ( x) dx = ∫σ e 2 σ 
dx
−∞
−∞ 2π
Essa integral não pode ser resolvida em forma fechada, mas a solução está apresentada
em tabelas da distribuição Normal padronizada onde se entra com a variável reduzida Z
(número de desvios-padrões distantes da média) e encontra-se F(Z) ou vice-versa.
 a−µ
P ( X ≤ a ) = P Z ≤  = F (Z ) ⇒ Valor tabelado (Procurar na tabela da
 σ 
distribuição Normal padrão)
Ou utilizando o Excel:
=DIST.NORM(a;média;desvio padrão;VERDADEIRO) – utilizando o Excel ele nos
fornece a área à esquerda de a, ou seja, fornece a P(X ≤ a).
f(x)
a x
 a−µ
P( X ≥ a ) = 1 − P{X ≤ a} = 1 − P Z ≤  = 1 − F (Z )
 σ 
 a−µ
P( X ≤ a) = P Z ≤  = F (Z )
 σ 
P(a < X < b) ⇒ Probabilidade de X estar entre a e b, ou seja, é a área sob a curva entre
a e b.
a µ b 28
Distribuição Normal padrão ou Normal reduzida
Seja X uma variável aleatória normalmente distribuída com quaisquer parâmetros média
µ e desvio-padrão σ. Se realizarmos a transformação abaixo obteremos uma nova
variável Z com média 0 e variância 1.
a−µ
X ~ N(µ ; σ2) ⇒ Z = ⇒ Z ~ N(0;1)
σ
Onde, a = valor de interesse da variável

µ = média populacional da variável
σ = desvio-padrão populacional da variável
Qualquer variável com distribuição Normal pode ser padronizada para a Normal padrão.
A distribuição Normal padrão (Z) é tabelada.
OBS: P(Z < 0) = P(Z > 0) = 0,5.
Exemplo: Transformação de uma variável X na variável padronizada Z (onde as

probabilidades estão tabeladas de -∞ até um determinado z que é função de a).
a−µ
X ~ N(100,22) ⇒ Z = ⇒ Z ~ N(0,1)
σ
P( X = P{z ≤ +2} = 0,9772
P{x ≤ 100} = P{z ≤ 0} = 0,50
P{x ≤ 94} = P{z ≤ −3} = 0,0013
94 96 98 100 102 104 106 X µ = 100 σ = 2
-3 -2 -1 0 +1 +2 +3
µ = 0 σ =1
Z
100 − 100
z= =0
2
94 − 100
z= = −3 29
2 104 − 100
z= = +2
2
Uso da Tabela Normal Padrão
Como encontrar a área sob a curva da distribuição Normal Padrão N(0;1)?
Exemplo: Seja Z ~ N(0;1), calcular:
SITUAÇÃO 1: PROBABILIDADE INFERIOR A UM VALOR

a) P(Z ≤ 0,32)
Procurando a P(Z ≤ 0,32) na tabela da Normal padrão:

z 0 1 2
0,0 0,5000 0,5039 0,5079
0,1 0,5398 0,5437 0,5477
0,2 0,5792 0,5831 0,5870
0,3 0,6179 0,6217 0,6255
Logo, P(Z ≤ 0,32) = 0,6255.
SITUAÇÃO 2: PROBABILIDADE SUPERIOR A UM VALOR

b) P(Z ≥ 1,5)
Logo, P(Z > 1,5) = 1 – P(Z ≤ 1,5) = 1 – 0,9332 = 0,0668.
30
SITUAÇÃO 3: PROBABILIDADE ENTRE DOIS VALORES

c) P(1,32 < Z ≤ 1,79)
Logo, P(1,32 < Z ≤ 1,79) = P(Z ≤ 1,79) – P(Z ≤ 1,32) = 0,9633 - 0,9066 = 0,0567.
d) P(-1 ≤ Z ≤ 2)
Logo, P(–1 ≤ Z ≤ 2) = P(Z ≤ 2) – P(Z ≤ –1) =

= 0,9772 – 0,1587 = 0,8185.
Como encontrar o valor z da distribuição Normal Padrão N(0;1)?
Exemplo: Seja Z ~ N (0 ; 1), calcular:
a) P(Z ≤ z) = 0,975
Se z é tal que P(Z ≤ z) = 0,975.

z Z
31
Pela tabela, z = 1,96, ou seja, este é o valor crítico cuja a área à esquerda deste z vale
0,975 (“miolo” da tabela).
b) P(– z ≤ Z ≤ z) = 0,80
–z z Z
Se z é tal que P(Z ≤ – z) = P(Z ≥ z) = 0,1.
Isto é, P(Z ≤ z) = 0,90 e assim, pela tabela, z = 1,28 e – z = 1,28.
c) P(Z ≥ z) = 0,975
z Z
Como P(Z ≥ z) = 0,975, então: P(Z ≥ z) = 1 – P(Z ≤ z) ⇒ P(Z ≤ z) = 0,0250 ⇒ assim,

pela tabela da Normal padrão, z = -1,96.
d) P(Z ≥ z) = 0,3
z Z
Como P(Z ≥ z) = 0,3, então: P(Z ≥ z) = 1 – P(Z ≤ z) ⇒ P(Z ≤ z) = 0,7 ⇒ assim, pela
tabela da Normal padrão, z = 0,53.
32
Exemplo 1: O peso de um produto é uma característica muito importante. Sabe-se que o
peso segue um modelo normal com média 1000 gramas e desvio padrão 40 gramas. Se a
especificação técnica estabelece que o peso deve ser maior que 950 gramas, qual a
probabilidade de que um pacote selecionado aleatoriamente satisfaça a especificação?
Padronização
X ~ N(1000 ; 42) ⇒ Z ~ N(0 ; 12)
 950 − 1000 
P( X ≥ 950) = 1 − P ( X ≤ 950) = 1 − P Z ≤  = 1 − P( Z ≤ −1,25) = 1 − 0,1056 = 0,8944
 40 
A probabilidade de que um pacote selecionado aleatoriamente satisfaça a especificação

é de 89%.
1-pnorm(950,1000,40) #pnorm(a,média,desvio padrão)
[1] 0.8943502
Exemplo 2: Sabe-se que X representa medições feitas em um processo que segue o

modelo Normal com média 100 e desvio padrão 10. Se forem feitas 4000 medições,
quantas estarão entre 95 e 112?
X ~ N(100 ; 102) ⇒ Z ~ N(0 ; 12)
 95 − 100 112 − 100 

P(95 ≤ X ≤ 112) = P ≤Z ≤  = P(−0,5 ≤ Z ≤ 1,2) = P( Z ≤ 1,2) − P( Z ≤ −,05) =
 10 10 
= 0,8849 − 0,3085 = 0,5764
Ou seja, aproximadamente 58% estarão entre 95 e 112.
pnorm(112,100,10)-pnorm(95,100,10) #pnorm(a,média,desvio padrão)
[1] 0.5763928
33
Exemplo 3: Um pesquisador coletou os dados da estatura de estudantes de Engenharia
de uma Universidade. Sabe-se que a estatura de uma população segue a distribuição
normal, com média 170 cm e variância 36 cm2 (desvio padrão de 6 cm).
a) Qual a probabilidade de se encontrar um jovem com mais de 179 cm de altura?
1-pnorm(179,170,6) #pnorm(a,média,desvio padrão)
[1] 0.0668072
b) Qual a altura em que a probabilidade de encontrarmos valores menores que ela seja
de 80%?
qnorm(0.80, 170,6) #qnorm(p, média, desvio padrão)
[1] 175.0497
c) Represente graficamente a curva da distribuição normal para este problema e

identifique as respostas dos itens a e b.
curve(dnorm(x,170,6),170-3*6,170+3*6,xlab="Alturas (cm)",
ylab="Probabilidade de se encontrar a altura x", main="Distribuição
Normal")
lines(c(179,179),c(0,0.022),col="red")
lines(c(175.0497,175.0497),c(0,0.0465),col="blue")
34
2
Exemplo 4: Seja X ~ N(10 ; 64) (µ = 10, σ = 64 e σ = 8). Calcule:
a) P(6 ≤ X ≤ 12)
 6 − 10 12 − 10 
P (6 ≤ X ≤ 12) = P ≤Z ≤  = P (−0,5 ≤ Z ≤ 0,25) = P ( Z ≤ 0,25) − P( Z ≤ −,05) =
 8 8 
= 0,5987 − 0,3085 = 0,2902
Z
b) P(X ≤ 8 ou X > 14)
 8 − 10   14 − 10 
P( X ≤ 8) + P ( X > 14) = P Z ≤  + P Z >  = P( Z ≤ −0,25) + P( Z > 0,5) =
 8   8 
= P( Z ≤ −0,25) + [1 − P( Z ≤ 0,5)] = 0,4013 + [1 − 0,6915] = 0,7098
c) k tal que P(X ≥ k) = 0,05
Pela
35
 k − 10   k − 10 
P( X ≥ k ) = 0,05 ⇒ P Z ≥  = 0,05 ⇒ P Z ≤  = 0,95
 8   8 
Como z é tal que P(Z ≤ z) = 0,95, pela tabela da distribuição Normal padrão, observa-se
que z = 1,64.
k − 10
Logo, z = = 1,64 ⇒ k = 23,12
8
d) k tal que P(X ≤ k) = 0,025
 k − 10 
P( X ≤ k ) = 0,025 ⇒ P Z ≤  = 0,025
 8 
Como z é tal que P(Z ≤ - z) = 0,025, pela tabela da distribuição Normal padrão, observa-
se que z = -1,96.
k − 10
Logo, z = = −1,96 ⇒ k = −5,68
8
36
Exercício 1: Suponha que X: consumo diário de água, em litros, seja razoavelmente
normal com média 20 e desvio padrão 4 entre as famílias de um bairro. Se observarmos
uma particular família deste bairro ao acaso, determine a probabilidade de que seu
consumo de água seja:
a) Inferior a 20 litros.
b) Inferior a 17 litros.
c) Superior a 24 litros.
d) Entre 18 e 29 litros.
37
Exercício 2: Supondo que os pesos do papel descartado semanalmente pelas residências
tenham distribuição normal com média de 9,4 kg e desvio-padrão de 4,2 kg, determine a
probabilidade de uma residência aleatoriamente selecionada descartar:
a) Menos de 10 Kg. (R: 0,5557)
b) Mais de 12 Kg. (R: 0,2676)
c) Entre 5,0 kg e 8,0 kg. (R: 0,2238)
38
EXERCÍCIOS (Distribuições probabilísticas):
1. Um vendedor recebe 20 endereços para visitar a cada dia. Um morador de cada

endereço manifestou, por correspondência, interesse de receber o vendedor e discutir o
produto. A experiência do vendedor é que é feita uma venda em cada 10 domicílios.
Qual é a probabilidade de que sejam feitas 5 vendas em determinado dia? Considere
como se fosse uma situação com reposição.
2. A probabilidade de um componente eletrônico falhar durante sua utilização é de 2%.

Em um teste de qualidade deste componente, 6 unidades foram testadas. Qual a
probabilidade de:
a) Todas unidades funcionarem corretamente.
b) Ocorrer falha em 3 unidades.
e) Ocorrer falha em no máximo 1 unidade.
3. Um lote de aparelhos de TV é recebido por uma firma. 10 aparelhos são

inspecionados. O lote só é aceito se todos os itens forem perfeitos. Sabendo-se que a
probabilidade de um aparelho ser defeituoso é de 1%, qual a probabilidade da firma
aceitar todo o lote?
4. Um vendedor de seguros vende apólices a 5 homens, todos da mesma idade e de boa

saúde. De acordo com as estatísticas, a probabilidade de um homem dessa idade estar
vivo daqui a 30 anos é de 67%. Determine a probabilidade de estarem vivos neste prazo
todos os cinco homens.
5. Uma confecção de roupa infantil suspeita que 30% de sua produção apresenta algum
defeito. Se tal suspeita é correta, determine a probabilidade de que, em uma amostra de
4 peças sejam encontradas:
a) Todas defeituosas.
b) Nenhuma defeituosa.
c) Uma peça defeituosa.
d) No máximo 2 defeituosas.
6. (2014/1) Um fabricante de peças de automóveis garante que uma caixa de suas peças
conterá, no máximo, duas defeituosas. Se uma caixa contém 18 peças, e a experiência
tem demonstrado que esse processo de fabricação produz 5% de peças defeituosas, qual
a probabilidade de que uma caixa satisfaça a garantia?
7. Uma firma exploradora de petróleo verificou que 5% dos poços que perfura acusam
depósito de gás natural. Se ela perfurar 6 poços, determine a probabilidade de pelo
menos 1 ser depósito de gás natural.
8. A probabilidade de um carro de determinada marca apresentar problemas no vidro

elétrico dianteiro é de 2%. Se 8 carros desta marca são vendidos, qual a probabilidade
de metade deles apresentar problemas vidro elétrico dianteiro?
9. Acredita-se que 20% dos moradores das proximidades de uma grande indústria
siderúrgica têm alergia aos poluentes lançados ao ar. Calcule a probabilidade de que
pelo menos 4 moradores tenham alergia entre 6 selecionados ao acaso.
39
10. A probabilidade do pouso de um avião ocorrer com sucesso usando um simulador
de vôo é 70%. Quatro estudantes de pilotagem são convidados a tentar voar no avião
usando o simulador. Qual é a probabilidade de:
a) 2 deles pousarem com sucesso.
b) todos pousarem com sucesso.
c) nenhum deles pousarem com sucesso.
d) no máximo 2 deles pousarem com sucesso.
11. Uma moeda é lançada 20 vezes, independentemente. Qual é a probabilidade de

saírem 8 caras?
12. Numa criação de coelhos, 40% são machos. Qual a probabilidade de que nasçam
pelo menos 2 coelhos machos num dia em que nasceram 20 coelhos?
13. Uma prova tipo teste tem 50 questões independentes. Cada questão tem 5
alternativas e apenas uma correta. Se um aluno resolve a prova respondendo ao acaso as
questões, qual a probabilidade de tirar nota 5,0?
14. Em uma urna existem 18 bolas brancas e duas pretas. Calcule as probabilidade de
retiradas 7 bolas, sair apenas uma bola preta, nos seguintes casos:
a) As bolas são repostas na urna após as retiradas.
b) As bolas não são repostas na urna após as retiradas.
15. Uma loja tem um lote de 10 fechaduras, das quais 5 têm defeitos. Se uma pessoa
comprar 3 fechaduras, qual a probabilidade de encontrar no máximo uma defeituosa?
16. Numa Loteria, um apostador escolhe 6 números de 1 a 54. Qual a probabilidade dele
acertar 5 números?
17. Num lote de 30 lâmpadas, sendo 4 defeituosas, foi selecionado, sem reposição, 3
lâmpadas. Qual a probabilidade de ter obtido pelo menos uma defeituosa?
18. De um lote de 140 celulares, foram selecionados sem reposição 20 celulares.

a) Se 20 celulares são defeituosos, qual é a probabilidade de que ao menos um celular
defeituoso apareça na amostra ?
b) Se 5 celulares são defeituosos, qual é a probabilidade de que ao menos um celular
defeituoso apareça na amostra?
19. Uma urna contém 16 bolas brancas e 14 pretas. Calcular a probabilidade de ao

serem retiradas 5 bolas, 3 serem brancas, quando a amostragem for:
a) Sem reposição.
b) Com reposição.
20. De 6 empregados, 3 estão na companhia há cinco anos ou mais. Se 4 empregados

são aleatoriamente escolhidos, sem reposição, desse grupo de 6, qual a probabilidade de
que 2 estejam na companhia há cinco anos ou mais?
21. Em um lote de 20 motores há dois defeituosos. São retiradas cinco unidades, sem
reposição, para inspeção. Qual a probabilidade de se encontrar uma unidade defeituosa
entre as cinco retiradas para inspeção?
40
22. Na Mega-Sena, um apostador escolhe 7, sem reposição, dezenas dentre 60. Qual a
probabilidade dele acertar as 6 dezenas corretas?
23. Na Mega-Sena, um apostador escolhe 6 dezenas, sem reposição, dentre 60. Qual a
probabilidade dele acertar as 6 dezenas corretas?
24. (2017/1) Suponha que 10 peixes especiais são pescados e colocados no açude de um
sitiante, que passa a ter, então, um total de 40 peixes. Num certo dia, o sitiante autoriza
a realização de uma pescaria. Assuma que a quantidade de peixes no açude até esse dia
não se alterou. Se 5 peixes são pescados, calcule a probabilidade de 2 peixes serem
especiais:
a) Supondo que os peixes pescados são colocados de volta no lago.
b) Supondo que os peixes pescados não são colocados de volta no lago.
25. Uma máquina produz 2 lâmpadas defeituosas a cada hora de produção. Qual a
probabilidade desta máquina produzir 10 lâmpadas defeituosas no período de 12 horas?
26. Na central telefônica do salão de beleza "Beleza Pura" chegam 50 chamadas por
hora. Qual a probabilidade de que:
a) Num minuto não haja nenhum chamado
b) Em 2 minutos ocorram 2 chamados
27. Na estrada Tabaí-Canoas em dias de chuva, ocorrem 2 acidentes a cada 50 Km.

Qual a probabilidade de que em:
a) 100 Km não ocorram acidentes? b) 160 Km ocorram 5 acidentes?
28. Certa loja recebe, em média, 5 clientes por hora. Qual a probabilidade desta loja
receber 2 clientes em 30 minutos?
29. Um fábrica produz tecidos com 2.2 defeitos, em média, por peça. Determine a
probabilidade de haver 3 defeitos em 2 peças.
30. O número de mortos por suicídio em Nova York ocorre a uma taxa de 2 por dia.
Determine a probabilidade de que não ocorram mortes por suicídio no período de 1
semana.
31. A taxa de chegada de clientes em uma agência bancária é de 4 clientes por minuto.
Determine a probabilidade de chegarem 12 clientes nos próximos 2 minutos.
32. O fluxo de carros que passam por um determinado pedágio é de 1,7 carros por
minuto. Qual a probabilidade de passarem exatamente 2 carros em 2 minutos?
33. Numa central telefônica chegam 300 telefonemas por hora. Qual a probabilidade de
que:
a) Num minuto não ocorra qualquer chamada?
b) Em 2 minutos ocorram 3 chamadas?
c) Em 5 minutos ocorram pelo menos 3 chamadas?
41
34. Uma fábrica de pneus de competição verificou ao testar seus estouros na pista, que
havia em média, um estouro a cada 5000 Km. Qual a probabilidade que num teste de
3000 Km haja 1 pneu estourado?
35. O número de mensagens enviadas para um boletim em um computador ocorre com

uma taxa de 5 mensagens por hora. Qual a probabilidade de que:
a) 5 mensagens cheguem em 1 hora
b) Menos de 2 mensagens cheguem em meia hora.
36. (2014/1) Os passageiros de uma empresa aérea chegam aleatoriamente e

independentemente ao balcão de controle de passageiros de um importante aeroporto
internacional. A taxa média de chegada são 10 passageiros por minuto. Calcule a
probabilidade de ninguém chegar no período de 15 segundos.
37. Falhas ocorrem no interior plástico usado em automóveis a uma taxa de 0,02 falhas
por painel. Se 50 painéis forem inspecionados, qual a probabilidade de que não haja
falhas?
38. (2016/1) Na pintura de paredes aparecem defeitos em média na proporção de 1

defeito por metro quadrado. Qual é a probabilidade de aparecerem 2 defeitos numa
parede 2m x 2m?
39. (2016/2) O pessoal de inspeção de qualidade afirma que os rolos de fita isolante
apresentam, em média, uma emenda a cada 50 metros. Calcule a probabilidade de
ocorre:
a) Nenhuma emenda em um rolo de 125 metros.
b) Pelo menos uma emenda em rolo de 100 metros.
40. (2018/2) O número de chamadas telefônicas recebidas em uma empresa prestadora

de serviços ocorre em média 20 chamadas por hora. Qual é a probabilidade de, nos
próximos 15 minutos, o telefone tocar menos de duas vezes?
41. Uma ferramenta produzida por uma indústria apresenta uma vida média de 80 horas.
Considerando o comportamento segundo a distribuição exponencial, qual a
probabilidade de essa ferramenta durar mais de 100 horas?
42. Certo tipo de fusível tem duração de vida que segue uma distribuição exponencial
com vida média de 100 horas. Qual é a probabilidade de um fusível durar mais de 150
horas?
43. Uma fábrica de tubos de TV determinou que a vida média dos tubos de sua
fabricação é de 800 horas de uso contínuo e que a vida útil dos tubos segue uma
distribuição exponencial. Qual a probabilidade de que a fábrica tenha de substituir um
tubo gratuitamente, se oferece uma garantia de 300 horas de uso?
44. A duração de certo tipo de condensador segue uma distribuição exponencial com
média de 200 horas. Qual o percentual de condensadores que duram:
a) Menos de 100 horas?
b) Mais de 500 horas?
c) Entre 200 e 400 horas?
42
45. Uma companhia fabrica lâmpadas com uma duração média de 100 horas e
distribuição exponencial.
a) Qual a probabilidade de uma lâmpada durar de 163 a 185 horas?
b) Qual deve ser a garantia do fabricante para repor apenas 5% da produção?
46. O tempo até a falha do ventilador de motores a diesel tem uma distribuição
Exponencial com parâmetro horas. Qual a probabilidade de um destes
ventiladores falhar nas primeiras 24000 horas de funcionamento?
47. Certo tipo de condensador tem tempo de vida distribuído exponencialmente com
média de 250 horas. Determine a probabilidade destes condensadores durarem menos
que 320 horas.
48. Os tempos até a falha de um dispositivo eletrônico seguem o modelo exponencial

com uma taxa de falha a = 0,012 falha/hora. Indique qual a probabilidade de um
dispositivo escolhido ao acaso sobreviver:
a) No máximo 100 horas?
b) No máximo 50 horas?
49. O prazo de operação medido em horas de uma máquina de embalagem de frascos

sem interrupções para manutenção tem distribuição exponencial com média de 2 horas.
Qual a probabilidade desta máquina conseguir operar mais de 1 hora sem interrupção?
50. Certo tipo de fusível tem duração de vida que segue uma distribuição exponencial
com vida média de 100 horas.
a) Qual é a probabilidade de um fusível durar mais de 150 horas?
b) Cada fusível tem um custo de R$ 10,00 e, se durar menos de 200 horas, existe um
custo adicional de R$ 8,00. Qual é o preço justo a pagar por cada fusível?
51. Um componente eletrônico tem distribuição exponencial, com média de 50 horas.

Suposta uma produção de 10.000 unidades, quanto deles espera-se que durem entre 45 e
55 horas?
52. (2014/2) Uma lâmpada tem duração de acordo com a seguinte função densidade de
probabilidade Exponencial:
f ( x) = 0,001.e −0,001. x , para x ≥ 0
0, caso contrário
Determine a probabilidade de que a lâmpada dure menos do que sua duração média.
53. Suponha que a duração de ligações telefônicas em certa empresa tenha distribuição
exponencial e que, em média, cada ligação dure 10 minutos. Se apenas um telefone está
disponível e alguém começa a usar o telefone imediatamente antes de você, determine a
probabilidade de que você precise esperar:
a) Mais que 10 minutos.
b) Entre 10 e 20 minutos.
c) Mais que 12 minutos.
43
54. Uma fábrica de lâmpadas especiais tem sua produção com um tempo de vida médio
igual a 120 meses, seguindo um comportamento exponencial. Qual é o percentual de
lâmpadas com durabilidade superior a 100 meses?
55. (2014/2) Carros chegam a um posto de gasolina aleatoriamente a cada 2 minutos em

média. Determine a probabilidade de o tempo entre chegadas não exceder 1 minuto.
56. (2016/1) Em uma fábrica as falhas no equipamento industrial ocorrem

exponencialmente. Sabe-se que a probabilidade de que a primeira falha ocorra após 1
hora de trabalho é de 0,22313. Determine a probabilidade de que a primeira falha ocorra
após 3 horas de trabalho.
57. (2017/2) O prazo de operação, medido em horas, de uma máquina de embalagem de

frascos sem interrupções para manutenção tem distribuição exponencial com média de
2,2 horas. Qual a probabilidade desta máquina conseguir operar mais de 1 horas sem
interrupções?
58. A duração de certo componente eletrônico pode ser considerada normalmente

distribuída com média de 850 dias e desvio-padrão de 45 dias. Calcular a probabilidade
de um componente durar:
a) Entre 700 e 1000 dias.
b) Mais de 800 dias.
c) Menos de 750 dias.
59. Determinado atacadista efetua suas vendas por telefone. Após alguns meses,
verificou-se que os pedidos se distribuem normalmente com média de 3.000 pedidos e
desvio-padrão de 180 pedidos. Qual a probabilidade de que um mês selecionado ao
acaso esta empresa venda menos de 2700 pedidos.
60. O conteúdo líquido das garrafas de 300 ml de um refrigerante é normalmente

distribuído com média de 300 ml e desvio-padrão de 2 ml. Determine a probabilidade
de uma garrafa selecionada ao acaso apresentar conteúdo líquido:
a) Inferior a 306 ml.
b) Superior a 305 ml.
c) Entre 302 e 304 ml.
61. O lucro mensal obtido com ações de determinada empresa tem distribuição normal
com média de 12 mil reais e desvio-padrão de 5 mil reais. Qual a probabilidade de que
em determinado mês o lucro desta empresa seja:
a) Superior a 18 mil reais.
b) Inferior a 8 mil reais.
c) Entre 10 e 15 mil reais.
62. Durante o mês de dezembro aumenta a procura por concessão de crédito para pessoa
física. De acordo com dados históricos é possível verificar que a procura segue uma
distribuição aproximadamente normal com média de 12,8 milhões e desvio-padrão de
15 milhões. Se as instituições de crédito reservar 25 milhões para concessão de crédito,
qual a probabilidade de faltar dinheiro para emprestar?
44
63. Suponha que a renda média anual de uma grande comunidade tenha distribuição
normal com média de 15 mil reais e com um desvio-padrão de 3 mil reais. Qual a
probabilidade de que um indivíduo aleatoriamente selecionado deste grupo apresente
uma média salarial anual superior a 18 mil reais?
64. O escore de um estudante no vestibular é uma variável com distribuição normal com
média de 550 pontos e desvio-padrão de 30 pontos. Se a admissão em certa faculdade
exige um escore mínimo de 575 pontos, qual é a probabilidade de um aluno ser
admitido nesta faculdade?
65. O tempo de reação de um motorista para o estímulo visual é normalmente

distribuído com uma média de 0,4 segundos com um desvio-padrão de 0,05 segundos.
Qual a probabilidade de que uma reação de um motorista requeira:
a) Mais de 0,5 segundos.
b) Entre 0,4 e 0,5 segundos.
66. O período de falta de trabalho em um mês por causa de doenças dos empregados é
normalmente distribuído com uma média de 100 horas e desvio-padrão de 20 horas.
Qual a probabilidade desse período no próximo mês estar:
a) Entre 50 e 80 horas.
b) Superior a 90 horas.
c) Inferior a 60 horas.
67. (2014/2) As vendas de um determinado produto tem distribuição aproximadamente

normal, com média de 500 unidades e desvio padrão de 50 unidades. Se a empresa
decide fabricar 600 unidades no mês de estudo, qual é a probabilidade de que não possa
atender a todos os pedidos desse mês, por estar com a produção esgotada?
68. (2015/2) Suponha que o tempo necessário para atendimento de clientes em uma
central de atendimento telefônico siga uma distribuição normal com média de 8 minutos
e desvio padrão de 2 minutos. Qual é a probabilidade de que um atendimento dure:
a) Menos de 5 minutos.
b) Entre 7 e 10 minutos.
69. (2015/1) Uma fábrica de pneumáticos fez um teste para medir o desgaste de seus
pneus e verificou que o mesmo obedecia a uma distribuição normal, com média de
48.000 Km e desvio padrão de 1.500 Km. Calcular a probabilidade de que um pneu
escolhido ao acaso:
a) Dure mais que 47.000 Km.
b) Dure menos que 48.000 Km.
c) Dure entre 44.000 Km e 49.000 Km.
70. (2016/2) O padrão de qualidade recomenda que os pontos impressos por uma
impressora estejam entre 3,7 mm e 4,3 mm. Uma impressora imprime pontos, cujo
diâmetro médio é igual a 4 mm e o desvio padrão é 0,19 mm. Suponha que o diâmetro
dos pontos tenha distribuição normal.
a) Qual é a probabilidade do diâmetro de um ponto dessa impressora estar fora do
padrão?
b) Qual é a probabilidade do diâmetro de um ponto dessa impressora estar abaixo de 3,8
mm?
45
c) Qual é a probabilidade do diâmetro de um ponto dessa impressora estar dentro do
padrão?
71. (2016/2) Os salários semanais dos operários industriais são distribuídos

normalmente em torno de uma média de $360,00 com desvio padrão de $50,00. Pede-
se:
a) Encontre a probabilidade de um operário ter salário semanal situado entre $300,00 e
$400,00.
b) Encontre a probabilidade de um operário ter salário semanal abaixo de $290,00.
c) Encontre a probabilidade de um operário ter salário semanal acima de $360,00.
72. (2017/1) A saída de uma bateria segue razoavelmente o modelo Normal com média
de 12,15 Volts e desvio padrão de 0,25 Volts. Encontre a probabilidade de não atender
as especificações de 12 Volts ± 0,5 Volts.
73. (2017/2) A força de tensão de sacos plásticos de supermercado é normalmente

distribuída com média de 40 lb/in2 e desvio padrão de 2,3 lb/in2. O comprador exige que
os sacos tenham resistência de pelo menos 25 lb/in2. Qual a probabilidade do produto
atender a especificação?
74. (2017/2) O diâmetro de uma peça segue a distribuição Normal com média 25,08 e
desvio padrão 0,11. Se as especificações para esse eixo são 25,00 ± 0,15, determine o
percentual (probabilidade) de unidades produzidas em conformidade com as
especificações.
75. (2018/2) Supondo que as notas em certa disciplina de um curso de Engenharia estão
normalmente distribuídas com média 5,0 e desvio padrão 1,5. Determine a
probabilidade que:
a) Um estudante tire nota superior a 8,5.
b) Se a nota mínima para obter aprovação é 3,0, qual o percentual de estudantes
reprovados?
RESPOSTAS:
1. Binomial (n = 20 e p = 1/10) R: P(X=5) = 0,0319

2. Binomial
a) (n = 6 e p = 0,98) R: P(X=6) = 0,8858
b) (n = 6 e p = 0,02) R: P(X=3) = 0,0001
c) (n = 6 e p = 0,02) R: P(X ≤ 1) = 0,9943
3. Binomial (n = 10 e p = 0,99) R: P(X=10) = 0,9044
4. Binomial (n = 5 e p = 0,67) R: P(X=5) = 0,1350
5. Binomial (n = 4 e p = 0,30)
a) R: P(X=4) = 0,0080
b) R: P(X=0) = 0,2401
c) R: P(X=1) = 0,4116
d) R: P( X≤ 2) = 0,9163
6. Binomial (n = 18 e p = 0,05) R: P(X ≤ 2) = 0,94187
7. Binomial (n = 6 e p = 0,05) R: P(X ≥ 1) = 0,2649
8. Binomial (n = 8 e p = 0,02) R: P(X=4) = 0,000010331
9. Binomial (n = 6 e p = 0,20) R: P(X ≥ 4) = 0,01696
46
10. Binomial (n = 4 e p = 0,70)
a) R: P(X=2) = 0,2646
b) R: P(X=4) = 0,2401
c) R: P(X=0) = 0,0081
d) R: P(X ≤ 2) = 0,3483
11. Binomial (n = 20 e p = ½) R: P(X=8) = 0,1201344
12. Binomial (n = 20 e p = 0,40) R: P(X ≥ 2) = 0,999476
13. Binomial (n = 50 e p = 1/5) R: P(X=25) = 0,0000016
14. a) Binomial R: 0,3720 (n=7; p=2/20; x = 1)
b) Hipergeométrica R: 0,4789 (N=20; n=7; x=1; r=2)
15. Hipergeométrica R: 0,50
16. Hipergeométrica R: 0,0000112 (N=54; n=6; x=5; r=6)
17. Hipergeométrica (N=30; n=3; r=4) R: 0,359606
18. Hipergeométrica a) R: 0,964 b) R: 0,5429
19. a) R: 0,35 (utiliza-se a Hipergeométrica (N=30; n=5; x=3; r=16))
b) R: 0,33 (utiliza-se a Binomial com n=5, x=3 e p=16/30)
20. Hipergeométrica R:0,60
21. Hipergeométrica R: 0,3947
22. Hipergeométrica R: 1,3982.10-7 (N=60; n=7; x=6; r=6)
23. Hipergeométrica R: 1,9974.10-8 (N=60; n=6; x=6; r=6)
24. a) Binomial R: 0,26367 (n = 5 e p = 10/40)
b) Hipergeométrica R: 0,27767 (N=40; n=5; r=10)
25. Poisson X = nº de lâmpadas defeituosas por hora P(X=10) = 0,0006596
26. Poisson X = nº de chamadas por hora
a) P(X=0) = 0,44 b) P(X=2) = 0,26
27. Poisson X = nº de acidentes por Km
a) P(X=0) = 0,018
b) P(X=5) = 0,149
28. Poisson X = nº de clientes por hora P(X =2) = 0,256
29. Poisson X = nº defeitos por peça P(X=3) = 0,174
30. Poisson X = nº de mortos por suicídio por dia P(X=0) = 0,0000008
31.Poisson X = nº de clientes que chegam por minuto P(X =12) = 0,048
32. Poisson X = nº de carros que passam pelo pedágio por minuto P(X=2) = 0,193
33. Poisson X = nº de chamadas telefônicas por hora
a) P(X = 0) = 0,00673795
b) P(X = 3) = 0,007566655
c) P(X ≥ 3) = 0,999999995
34. Poisson X = nº de estouros a cada Km P(X=1) = 0,329
35. Poisson X = nº de mensagens por hora
a) P(X=5) = 0,175
b) P(X<2) = P(X=0) + P(X=1) = 0,08 + 0,205 = 0,285
36. Poisson P(X = 0) = 0,082085
37. Poisson X = nº falhas por painel P(x=0) = 0,368
38. Poisson R: 0,146525
39. Poisson a) R: 0,082085 b) R: 0,864665
40. Poisson R: 0,0404277
41. Exponencial R: 0,2865
42. Exponencial R. 0,2231
44. Exponencial a) R: 39,35% b) R: 8,21% c) R: 23,26%
47
45. Exponencial a) R: 0,0387 b) R: 5,13hs
48. Exponencial a) R: 0,6988 b) R: 0,4512
50. Exponencial a) R: 0,2231 b) R:16,92
51. Exponencial R: 737
53. Exponencial a) R: 0,3678 b) R: 0,2325 c) R: 0,3012
54. Exponencial R.: 0,4346
58. Normal a) 0,9992 b) 0,8665 c) 0,0132
59. Normal P(vender < 2700 pedidos) = 0,0475
60. Normal a) 0,9987 b) 0,0062 c) 0,1359
61. Normal a) 0,1151 b) 0,2119 c) 0,3812
62. Normal P(faltar dinheiro) = 0,2090
63. Normal P(média salarial anula > 18 mil reais) = 0,1587
64. Normal P(aluno ser admitido) = 0,2033
65. Normal a) 0,0228 b) 0,4772
66. Normal a) 0,1525 b) 0,6915 c) 0,0228
67. Normal R: 0,9772
68. Normal a) 0,0668 b) 0,5328
69. Normal a) 0,7486 b) 0,50 c) 0,7448
70. Normal a) 0,1142 b) 0,1469 c) 0,8858
71. Normal a) 0,6730 b) 0,0808 c) 0,50
72. Normal R: 0,0855
73. Normal R: 0,9850
74. Normal R: 0,7206
75. Normal a) 0,0099 b) 0,0918
48
Tabela da Distribuição Normal Padrão

P(Z<z) – VALORES POSITIVOS z Z
z 0,0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
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
49
Tabela da Distribuição Normal Padrão

P(Z<z) – VALORES NEGATIVOS z Z
z 0,0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
50

Material de Apoio CEQ Parte II

Enviado por

Dados do documento

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

Material de Apoio CEQ Parte II

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DO VALE DO RIO DOS SINOS

Ciências Exatas e Tecnológicas

Material de apoio – Controle Estatístico da Qualidade

Profa. Karla Faccio

n! = n.(n - 1).(n - 2) ... 3.2.1 e tem-se também que 0! = 1

4.2 Permutações (Arranjos)

Uma permutação consiste do número de possíveis maneiras de arranjar certos conjuntos

O número de combinações de n objetos tomados em grupos de r, onde r < n é dado por:

5. DISTRIBUIÇÕES / MODELOS DE PROBABILIDADE

A distribuição de probabilidade de uma variável aleatória X é uma descrição das

Há dois tipos de distribuição de probabilidades:

1. Distribuições Discretas: Uma variável aleatória é considerada discreta se puder

2. Distribuições Contínuas: Quando a variável que está sendo medida é expressa em

No caso de distribuições discretas, a probabilidade que a variável X assuma um valor

∑ f ( x) = 1 , se X for uma variável aleatória discreta 0 ≤ P(x) ≤1 para todo x.

∫ f ( x)dx = 1 , se X for uma variável aleatória contínua 0 ≤ P(x) ≤1 para todo x.

Valor esperado, esperança matemática, média ou valor esperado de uma variável

O valor esperado de uma variável aleatória X usa o modelo de probabilidade para

Variância e desvio padrão de uma variável aleatória X

E o desvio padrão é Var (X )

5.1 Distribuições / Modelos de Probabilidade para Variáveis Aleatórias

5.1.1 Distribuição / Modelo Binomial

Seja um processo composto de uma seqüência de observações independentes, onde o

A distribuição Binomial é útil para avaliar experimentos em que somente dois

1º) O experimento pode ser repetido “n” vezes em condições essencialmente

Definição: Seja E um experimento aleatório e S um espaço amostral associado. Seja A

A equação matemática para a distribuição Binomial para se obterem x sucessos com

Onde: C xn representa o número de combinações de n objetos tomados x de cada vez;

OBS. A Média ou Esperança matemática de uma variável aleatória com distribuição

Exemplo 1. Considere X como sendo a variável aleatória discreta igual ao “número de

a) P(X = 2) = f(x) = C 25 .0,52.0,55-2 = 10.0,25.0,125 = 0,3125

b) P(X = 4) = f(x) = C 45 .0,54.0,55-4 = 5.0,0625.0,5 = 0,1562

c) P(X ≤ 2) = C 05 .0,50.0,55-0 + C15 .0,51.0,55-1 + C 25 .0,52.0,55-2 = 0,55 + 5.0,55 + 10.0,55

a) Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

b) Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

c) Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

Exemplo 2. Um processo industrial opera com média de 1% de defeituosos.

Então, a probabilidade de uma amostra de tamanho n = 100 apresentar 0 defeituosos é:

P(X = 0) = f(x) = C 0100 .0,010.(1 - 0,01)100-0 = 0,366

Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

P(X = 1) = f(x) = C1100 .0,011.(1 - 0,01)100-1 = 0,3697296

Ou realizando a conta no Excel:

P(X = 2) = f(x) = C 2100 .0,012.(1 - 0,01)100-2 = 0,185

Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

P(X =4) = f(x) = C 4100 .0,014.(1 - 0,01)100-4 = 0,015

Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

Logo, a probabilidade de ocorrer 15 entregas no prazo é 0,0868, ou seja, tem 8,68% de

Ou realizando a conta no Excel:

Ou realizando a conta no RStudio:

a) Obter a distribuição de probabilidades, ou seja, as probabilidades associadas aos

Observação: x = {0,1,2,3,4,5,6}, n = 6, p = 0.5.

[1] 0.015625 0.093750 0.234375 0.312500 0.234375 0.093750 0.015625

plot(x,bino,type="h",xlab="N◦ de peças com perfeição", +

b) Pelo menos (no mínimo) 2 defeituosos.

b) No máximo 2 defeituosos (2 defeituosos ou menos).

5.1.2 Distribuição / Modelo Hipergeométrico