Universidade Estadual do Oeste do Paraná

Campus de Foz do Iguaçu

Centro de Engenharias e Ciências Exatas

PROBABILIDADE

Carlos dos Santos

Foz do Iguaçu
Março / 2015

Quebra de seção (próxima página)

 1

Sumário
2 PROBABILIDADE ................................................................................................................................... 2
2.1 Introdução ...................................................................................................................................................... 2
2.1.1 Experimento aleatório - Espaço amostral - Evento ____________________________________ 4
2.1.2 Teoria clássica de probabilidade___________________________________________________ 5
2.1.3 A Teoria Frequentista de Probabilidade _____________________________________________ 6
2.1.4 Probabilidade subjetiva _________________________________________________________ 7
2.1.5 Axiomas de probabilidade _______________________________________________________ 7
2.1.6 Principais teoremas de probabilidade _______________________________________________ 8
2.1.7 Sequência de Exercícios nº 1 ____________________________________________________ 17

2.2 Variável aleatória .......................................................................................................................................... 19

2.2.1 – Definição Formal de Variável Aleatória __________________________________________ 20
2.2.2 Variável Aleatória Discreta _____________________________________________________ 21
2.2.3 Variável Aleatória Contínua _____________________________________________________ 22
2.2.4 Função de Probabilidade _______________________________________________________ 22
2.2.5 Função Densidade de Probabilidade_______________________________________________ 24
2.2.6 Função de Distribuição Acumulada _______________________________________________ 27
2.2.7 Esperança Matemática e Variância de Uma Variável Aleatória __________________________ 29
2.2.8 Sequência de exercícios nº 2_____________________________________________________ 34

2.3 Distribuições discretas de probabilidade ...................................................................................................... 35

2.3.1 Distribuição de Bernoulli _______________________________________________________ 36
2.3.1.1 Sequência de exercícios nº 3 ___________________________________________________ 37
2.3.2 Distribuição Binomial _________________________________________________________ 38
2.3.2.1 Sequência de exercícios nº 4 ___________________________________________________ 40
2.3.3 Distribuição de Poisson ________________________________________________________ 41
2.3.3.1 Sequência de exercícios nº 5 ___________________________________________________ 43
2.3.4 Distribuição Hipergeométrica____________________________________________________ 44
2.3.4.1 Sequência de exercícios nº 6 ___________________________________________________ 46
2.3.5 Distribuição Multinomial ou polinomial ___________________________________________ 46
2.3.5.1 Sequência de exercícios nº 7 ___________________________________________________ 47

2.4 Distribuições Contínuas de Probabilidade ................................................................................................... 48

2.4.1 Distribuição uniforme contínua __________________________________________________ 48
2.4.1.1 Sequência de exercícios nº 8 ___________________________________________________ 51
2.4.2 Distribuição Exponencial _______________________________________________________ 51
3.4.2.1 Sequência de exercícios nº 9 ___________________________________________________ 56
2.4.3 Distribuição Normal ___________________________________________________________ 56
2.4.3.1 Distribuição normal reduzida __________________________________________________ 60
3.4.3.2 Sequência de exercícios nº 10 __________________________________________________ 72
2.4.4 Aproximação normal à distribuição binomial _______________________________________ 73
2.12.4.1 Sequência de exercícios nº 11 _________________________________________________ 79
 2
2 PROBABILIDADE

2.1 Introdução

Existem dois tipos de modelos na ciência, o modelo determinístico ou mecanístico e o não-determinístico, ou

probabilístico, ou empírico.
Os modelos determinísticos são utilizados em certos campos da ciência, como a física, a química analítica, etc.,
onde é possível elaborar modelos matemáticos que estabelecem relações precisas entre grandezas, devido ao grau
de conhecimento relativamente alto dos fatores envolvidos. Por exemplo, o modelo da lei de Ohm pode ser descrito
por

Corrente = Tensão/Resistência
ou

I = E/R

Este modelo é determinístico ou mecanístico porque o mesmo é construído a partir do conhecimento do mecanismo
físico básico o qual relaciona que a corrente elétrica está em função da tensão e da resistência, sem levar em
consideração outros fatores.

Modelo Determinístico ou mecanístico Modelo que estabelece uma relação matemática precisa entre as variáveis
envolvidas, devido o grau de conhecimento relativamente alto do sistema sob estudo.

No entanto, se o processo de medição for realizado várias vezes, talvez em tempos diferentes, ou mesmo
em dias diferentes, a corrente observada para a mesma tensão e resistência pode diferir levemente devido a pequenas
mudanças ou variações em fatores não controlados, tais como temperatura ambiente, flutuações no desempenho do
medidor, pequenas impurezas presentes em diferentes localizações do fio e impulsos de voltagem. Então, um modelo
mais realista da corrente observada pode ser

I = R/E + 

em que  é um termo de erro o qual representa os fatores não controlados ou aleatórios, ou seja, esse termo está no
modelo, para considerar o fato de que os valores observados não seguem perfeitamente o modelo determinístico ou
mecanístico.
Em muitas situações, é mais frequente que os mecanismos no sistema sob estudo não sejam suficientemente
controlados, de maneira a possibilitar a construção de modelos determinísticos.
A estatística lida essencialmente com modelos não determinísticos, ou seja, com aquelas situações em que os
mecanismos do sistema não são tão conhecidos e, portanto, a previsão de resultados está envolta com um certo grau
de incerteza, a qual é quantificada probabilisticamente.
 3

Modelo Não-Determinístico ou Probabilístico ou Empírico Modelo que procura prever um resultado, em geral
usando probabilidades, sem se preocupar com a especificação de todos os agentes causais ou determinantes desse
resultado.

Por exemplo, suponha que um pesquisador deseja saber qual é o tempo de carga de um aplicativo (Y) para cumprir determinada
tarefa. Não há um modelo determinístico para essa situação, portanto, o pesquisador irá enumerar todas as possíveis variáveis
explicativas para prever o tempo de carga, ou seja, capacidade do processador ( X 1 ), capacidade de memória (X2 ), capacidade do
HD (X3), etc. Assim, um possível modelo será:

Y = α + β 1 X 1 + β 2X 2 + β 3 X 3 + ε

Essa expressão representa um modelo de regressão linear múltipla, em que os coeficientesα, β1, β2 e β3 são estimados
pelo método de mínimos quadrados. O termo ε representa os fatores aleatórios ou não controlados pelo modelo, tais como impulsos
de voltagem, umidade, temperatura da máquina, etc. Devido aos fatores não controlados, o pesquisador irá prever o tempo de
carga com um certo grau de confiança ou probabilidade.
Em todos esses exemplos, de modelos não determinísticos, probabilísticos ou empíricos, o interesse maior é
conhecer ou prever algum resultado, com algum grau de confiança ou probabilidade, sem especificar todas as razões
ou os fatores causais envolvidos. Para atingir esses objetivos, o pesquisador terá que realizar algum tipo de coleta de
dados ou informações, para gerar o conhecimento ou a previsão de interesse.
Porém, qual o procedimento a ser adotado, quando deseja-se descrever dados do comportamento de
características associadas a populações infinitas como, por exemplo, os comprimentos de todas as peças produzidas
por uma indústria de grande porte?
Em outras palavras, como calcular a distribuição de frequências, ou como calcular as medidas de posicão e de
dispersão de uma população tão grande? Na realidade, tais determinações não são possíveis, pois é impossível a
manipulação de um número infinito de elementos. A única maneira de se descrever uma população infinita ou muito
grande é fazendo conjecturas a respeito dela. Ha duas maneiras de se conjeturar a respeito de uma população:

i) Estimando valores através de amostras. É o procedimento quando se quer conjeturar a respeito de medidas de
posição e de dispersão populacionais;

ii) Construindo um modelo teórico (e não-determinístico) que explique a distribuição de frequência na população
infinita o mais adequadamente possível.

O uso de amostras para, indiretamente, descrever populações infinitas, será visto no decorrer do curso na parte
de inferência estatística. Nesta seção, serão abordados os modelos probabilísticos que procuram explicar a distribuição
de frequência em populações infinitas.
 4
2.1.1 Experimento aleatório - Espaço amostral - Evento

Dentro da teoria de probabilidades os termos “experimento”, “espaço amostral” e “evento”, são muito
utilizados. Os conceitos desses termos são dados a seguir:

Experimento: é um processo de investigação científica de alguns procedimentos, feito para responder determinadas
perguntas.

Um experimento é dito aleatório quando satisfaz as seguintes condições:

a) pode ser repetido indefinidamente;

b) o pesquisador é capaz de descrever todos os possíveis resultados do experimento, embora não se possa
dizer com certeza qual ocorrerá;
c) obedece uma regularidade estatística, ou seja, quando o experimento for repetido um grande número de
vezes, surgirá uma configuração definida (distribuição de frequência, agora chamada de distribuição de
probabilidade);

São experimentos aleatórios

(1) tomar uma válvula eletrônica e verificar o tempo de vida;

(2) medição do tempo de duração de lâmpadas de LED;
(3) vazão mínima do rio Iguaçu, em determinada seção, durante o mês de janeiro;
(4) medição da resistência à ruptura de corpos de prova;
(5) medição da dureza de corpos de prova de aço.

Mesmo que não seja evidenciado, o procedimento adotado é de caráter científico. Ninguém diz que uma pesquisa
eleitoral é um experimento científico mas, na realidade ela deve ser conduzida através de critérios científicos, caso
contrário ela é de pouca valia.

Espaço amostral Representado por , é o conjunto de todos os resultados possíveis de um experimento aleatório.
Cada resultado de um experimento aleatório é denominado de ponto amostral.

Exemplos:

a) Testar uma válvula eletrônica até queimar, anotando o tempo de vida. O espaço amostral será

 = {xR / x 0}
 5
b) Lançar um dado e observar os resultados da face de cima. O espaço amostral será

 = {0, 1, 2, 3, 4, 5, 6}

Os pontos amostrais serão: 1, 2, 3, 4, 5, e 6

c) Tempo de duração de uma lâmpada, em horas. Sendo R o conjunto dos números reais o espaço amostral será

 = {xR / x0}

d) Contar o número de dias de chuva da cidade de Foz do Iguaçu, durante o mês de março. O espaço amostral será

 = {0, 1, 2, . . . ,31}

Os pontos amostrais serão: 0, 1, 2,, . . ., 31.

Evento É qualquer subconjunto do espaço amostral . Deve-se considerar como eventos de qualquer espaço amostral,
o evento impossível (aquele que nunca ocorre) “” e o evento certo, o próprio espaço amostral “”.

Exemplo:

Considere que duas peças serão coletadas de um lote, sem reposição, com a seguinte nomenclatura: D: peça
defeituosa, P: peça perfeita. Se considerarmos o número de peças defeituosas, a lista de todos os eventos possíveis
será:
 = evento impossível = número de peças defeituosas maior do que 2;
Duas peças defeituosas: A = {DD};
Uma peça defeituosa: B = {DP, PD};
Nenhuma peça defeituosa: C = {PP};
Todos os resultados possíveis:  = {DD; DP; PD, PP}.

2.1.2 Teoria clássica de probabilidade

Esta teoria baseia-se na existência de um espaço amostral  com n elementos unitários:

 = {a1, a 2, . . . , a n}

Este espaço amostral estaria associado ao objeto de estudo de um experimento, e seus elementos seriam
igualmente prováveis de ocorrer, ou seja,

1
P(a1 )  P(a 2 ), , P(a n ) _
n
 6

Em que P(ai) denota probabilidade do evento ai.

Exemplo:

Suponha que um dado de jogo em perfeito estado é lançado e sua face é anotada. Logo, o espaço amostral
será:

 = {1, 2, 3, 4, 5, 6},

assim, a probabilidade de que ocorra qualquer uma das faces será a mesma, ou seja,

1
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =
6

Porém, essa teoria apresenta lacunas, uma vez que exige o conhecimento prévio da entidade física referente
aos eventos de igual probabilidade. Além disso, na maioria das vezes os eventos de um espaço amostral não são
igualmente prováveis.

2.1.3 A Teoria Frequentista de Probabilidade

A teoria frequentista de probabilidade possui uma motivação empírica para interpretar probabilidades
(Wadsworth e Bryan, 1960). Na observação de um certo fenômeno através de um experimento, a probabilidade de um
certo evento Ai é definida, formalmente, como a sua freqüência relativa observada, à medida que o número de
repetições tende para o infinito, ou seja,

n Ai
P[ Ai ]  lim
n n

em que nAi é o número possibilidades favoráveis ao evento Ai, num total de n repetições de um experimento. Trata-se
de uma definição operacional, no sentido que demanda a postulação de um experimento ou operação.
Assim, as frequências relativas em populações infinitas são chamadas de probabilidades. Por exemplo, suponha
que se esteja interessado em descrever (prever) a taxa de nascimento de meninos e meninas. Um possível modelo
que explica o fato de uma criança nascer menino ou menina é aquele que estabelece que tanto o sexo masculino
quanto o feminino têm chances iguais de ocorrer. Ele procura explicar a frequência relativa de nascimentos de infinitas
crianças que existem ou virão a existir. Surge daí, a razão de se falar em probabilidade de nascimento de meninos ou
meninas, que segundo esse modelo é de 0,5 ou 50%.

Probabilidade Frequência relativa associada a uma variável descritora de uma população infinita.
 7
Portanto, pode-se denominar a distribuição de frequência relativa associada a uma variável descritora de uma
população infinita como uma distribuição de probabilidade.

Distribuição de probabilidade Distribuição de frequência relativa em uma população infinita aos valores da variável
de interesse.

2.1.4 Probabilidade subjetiva

Atualmente, pode-se dizer que a inferência estatística (a qual será estudada no decorrer do curso), apresenta
duas escolas de pensamento, a clássica e a bayesiana. A primeira está baseada no conceito frequentista de
probabilidade. Já, a inferência Bayesiana está assentada (também) em um enfoque subjetivo de probabilidade. Por
ela, a formulação de modelos e sua verificação são feitas através da combinação de evidências experimentais
(objetivas) com a opinião do pesquisador (subjetiva).
Portanto, define-se probabilidade subjetiva como uma medida do grau de confiança de uma pessoa em relação
a uma proposição (O’ Hagan, 1994). Ela é função da quantidade de informação disponível pela pessoa, e possui a
restrição de que deve obedecer, assim como as teorias clássica e frequentista, a critérios de consistência, ou seja, a
axiomas de probabilidade os quais serão vistos a seguir.

2.1.5 Axiomas de probabilidade

A teoria de probabilidades está baseada em alguns axiomas, os quais são afirmações das quais não é exigida
uma prévia demonstração, simplesmente são aceitas por definição.
Seja o espaço amostral  associado a um dado experimento . A cada evento Ai associa-se um número real,
denominado de probabilidade de Ai, o qual deve satisfazer às seguintes propriedades:

(10) 0  P(Ai)  1;
(20) P() = 1 (ou seja, a probabilidade do evento certo é igual 1);
(30) Se A e B são eventos mutuamente exclusivos (aqueles que não ocorrem simultaneamente), a probabilidade
de ocorrência de A ou de B é igual à soma das probabilidades de cada um, ou seja,

P( A  B)  P( A)  P( B)

A última propriedade pode ser utilizada para uma sequência finita ou infinita de eventos mutuamente exclusivos,
pertencentes a , ou seja,

 n  n
P  Ai    P( Ai )
 i 1  i 1
  
P  Ai    P( Ai )
 i 1  i 1
 8

Exemplo de aplicação

Suponha que um determinado instituto tem os seguintes números de alunos matriculados por curso: 110 de
Matemática Pura, 30 de Matemática Aplicada, 30 de Estatística e 30 de Computação.

a) Qual é a probabilidade de que, um aluno escolhido ao acaso seja do curso de Matemática Pura?
b) Qual é a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemática Pura ou do Curso de
Estatística?
c) Qual é a probabilidade de que um aluno escolhido ao acaso seja do curso de Matemática Pura, ou de Matemática
Aplicada, ou de Estatística ou da Computação?

Solução
Sejam os eventos:
A: o aluno é do curso de Matemática Pura
B: o aluno é do Curso de Matemática Aplicada
C: o aluno é do curso de Estatística
D: O aluno é do Curso de Computação

110
a) P ( A)   0,55 ou 55%
200

110 30
b) P ( A  C )  P ( A)  P (C )    0,70 ou 70%
200 200

110 30 30 30
c) P ( A  B  C  D )  P ( A)  P ( B )  P (C )     1
2100 200 200 200

2.1.6 Principais teoremas de probabilidade

Os teoremas de probabilidade são afirmações demonstradas a partir de axiomas.

(1o ) A probabilidade de um evento impossível  é zero, ou seja, P() = 0.

Demonstração

Seja A um evento qualquer.

A e  são mutuamente exclusivos, pois A   = , então,

pelo 3º axioma P(A  )  P( A) + P()

 9
Pela teoria de conjuntos A    A
Assim, P(A  )  P(A)

Portanto, P()  0

Exemplo de aplicação

Numa prova valendo 10 pontos, qual é a probabilidade de ocorrer de fato alguma nota maior do que 10?

P(X > 10) = P() = 0

(2o) Se Ac é o evento complementar de A, então P(AC) = 1 – P(A)

Demonstração

Considere o seguinte diagrama:

Pelo diagrama observa-se que A e Ac são mutuamente exclusivos

Logo, P(A  A )  P (A)  P(A )

c c

Como A  A C  Ω

Tem-se P()  P( A  A c )  P( A)  P( A c )
pelo 2o axioma P ()  1 ,

logo, 1  P(A)  P(A )

c

Portanto, P(AC) = 1 – P(A)

Exemplo de aplicação

Se a probabilidade de um equipamento de segurança falhar durante sua utilização é de 5%, então a

probabilidade deste equipamento não falhar durante sua utilização será:

P(FC) = 1 – P(F) = 1 – 0,05 = 0,95 ou 95%

 10
O teorema do evento complementar será muito útil quando for alto o número de probabilidades a serem
calculadas. Por exemplo, suponha que foram coletadas 100 peças de uma linha de produção e o objetivo é saber a
probabilidade de ocorrer, no mínimo, uma peça defeituosa. Se X representa o número de peças defeituosas, então tal
probabilidade seria dada por:
P(X ≥ 1) = P(X = 1 X = 2  . . .  X = 100) = P(X = 1) + P(X = 2) + . . . P(X = 100)

Assim, teriam que ser calculadas 100 probabilidades e, posteriormente, deveriam ser somadas. No entanto, se o leitor
lembrar do teorema do evento complementar, esse cálculo será realizado mais facilmente por:

P(X ≥ 1) = 1 – P(X < 1) = 1 - P(X = 0)

(3o) Se A  B , então P(A)  P(B)

Demonstração
Considere o seguinte Diagrama:

Pode-se escrever B  A  (AC  B)

Ora, A e (AC  B) são mutuamente exclusivos.

Logo, P(B)  P(A)  P(AC  B)

Assim, P(AC  B)  P(B)  P(A)

Pelo 1o axioma, P(B)  P(A)  0 . Ocorre P(A) - P(B) = 0, quando A = B.

Portanto, P(A)  P(B)

Observação: ocorre P( A)  P( B) quando A = B

Exemplo de aplicação

Suponha que seja feito um sorteio de uma bolsa de estudos de um curso de inglês, entre os alunos de uma
Instituição de Foz do Iguaçu. Existem 1402 alunos matriculados no total. Há 141 alunos no curso de Matemática, dos
quais, 35 são do quarto ano. Qual é a probabilidade de ser sorteado:
 11
a) Um aluno do curso de Matemática
b) Um aluno do quarto ano do curso de matemática

Solução

Os eventos são:
A: O aluno é do curso de Matemática,
B: O aluno é do quarto ano de Matemática

141
a) P ( A)   0,10 ou 10%
1402

35
b) P ( B )   0,02 ou 2%
1402
Como B  A , tem-se P(B) < P(A).
O empate P(B) = P(A) ocorrerá quando houver apenas o 4º ano do curso de matemática.

(4o) Teorema do Produto: A probabilidade de ocorrência simultânea de dois eventos A e B é igual ao produto da
probabilidade de um deles pela probabilidade condicional do outro, ou seja,

P(A  B)  P(A)  P(B / A)

Considerando dois eventos, pode ser que a ocorrência de um deles modifique a probabilidade de ocorrência do
outro. Assim, a probabilidade do evento B, sabendo que A ocorreu, ou probabilidade condicional de B em relação a A,
pode ser representada por P(B/A). Dessa forma, para P(A)  0, define-se

PA  B
PB / A  
PA 

No caso de 3 eventos A, B e C, a probabilidade do evento C, sabendo que A e B ocorreram, é dada por

PA  B  C
PC / A  B  .
PA  B

Os eventos são ditos independentes quando a ocorrência de um deles independe da ocorrência do outro.
Dessa forma, se A e B são independentes, então

P(B/A) = P(B), assim como, P(A/B) = P(A),

E no Teorema do Produto tem-se que

PA  B  PA .PB

 12
No caso de três eventos independentes A, B e C, o teorema do produto fica:

P(A  B  C)  P(A)  P(B)  P(C)

Exemplos de aplicação

( 1 ) Uma Companhia de Energia elétrica resolveu realizar uma promoção, sorteando dois brindes aos clientes que
gastassem menos de 50 kwh/mês. Verificou-se que 500 clientes atenderam a esse quesito. Desses, 200 foram do
Bairro A, 175 do B e 125 do C. Suponha que o ganhador de um prêmio não pode concorrer aos restantes (amostragem
sem reposição).

a) Qual a probabilidade de que os dois ganhadores sejam do bairro A?

b) Qual a probabilidade de que um seja bairro A e o outro do B?
c) Qual a probabilidade do segundo ser do bairro B, sendo que o primeiro cliente sorteado é do bairro A?
d) Se fossem sorteados três brindes, qual a probabilidade de ocorrer um cliente de cada bairro?
e) Se fossem sorteados três brindes, qual a probabilidade de o terceiro cliente ser do bairro C, sendo que o primeiro é
do Bairro A e o segundo do Bairro B?

Solução

n = 500; nA = 200, nB = 175, nC = 125

Sejam os eventos:
A: O cliente é do Bairro A
B: O cliente é do Bairro B
C: O cliente é do Bairro C

200 199
a) PA  A   PA .PA / A  = .  0,1595
500 499

200 175
b) P A  B   P A.PB / A = .  0,1403
500 499

200 175

P A  B  500 499
c) PB / A  =  0,3507
P  A 200
500

200 175 125

d) PA  B  C   PA   PB / A   PC / A  B =    0,0352
500 499 498
 13
200 175 125
 
P A  B  C  500 499 498
e) PC / A  B     0,2510
P A  B  200 175

500 499

( 2 ) Para o exemplo anterior, suponha que o ganhador de um prêmio possa concorrer aos restantes, ou seja, seu
nome é reposto na urna (amostragem com reposição).

a) Qual a probabilidade de que um seja bairro A e o outro do B?

b) Se fossem sorteados três brindes, qual a probabilidade de ocorrer um cliente de cada bairro?

a) P  A  B   P  A.P B  
200 175
.  0,14
500 500

b) P  A  B  C   P  A  P B   P C  
200 175 125
   0,035
500 500 500

( 3 ) Os funcionários de uma empresa estão distribuídos segundo a tabela a seguir:

Sexo
Departamento Masculino Feminino Total

A 25 25 50
B 15 10 25
C 20 5 25
Total 60 40 100

No sorteio de um funcionário, qual é a probabilidade de que este seja:

a) Do sexo masculino?
b) Do sexo masculino e do departamento A
c) Do sexo masculino, sabendo que é do departamento A

Solução

Sejam os eventos:
A: o funcionário é do departamento A
B: o funcionário é do departamento B
C: o funcionário é do departamento C
M: o funcionário é do sexo masculino
F: o funcionário é do sexo feminino
 14

a) P M  
60
 0,60 OU 60%
100

b) P M  A  P M   P A / M  
60 25
.  0,25 ou 25%
100 60
25
PM  A 100 25
c) PM / A     0,5 ou 50%
P  A 50 50
100

(5o) Teorema da soma ou das probabilidades totais: A probabilidade de ocorrer pelo menos um entre dois eventos
A e B, não necessariamente mutuamente exclusivos, é igual à soma das probabilidades de A e de B, menos a
probabilidade de A e B ocorrerem simultaneamente, ou seja,

P(A  B)  P(A)  P(B)  P(A  B)

Demonstração

Considere o seguinte diagrama:

Pelo diagrama nota-se que os eventos A  BC e A  B são mutuamente exclusivos e que,

A  (A  BC )  (A  B) , então,

P(A) = P(A  B C )  P(A  B)  P(A  B C )  P(A)  P(A  B) ( I )

Observa-se que os eventos B  AC e AB , também são mutuamente exclusivos, e que

B  (B  A C )  (A  B) , assim,

P(B) = P(B  A )  P(A  B)  P(B  A )  P(B)  P(A  B) ( II )

C C

Os eventos A  BC , B  AC e AB também são mutuamente exclusivos e

A  B  (A  BC )  (A C  B)  P(A  B) , logo,
 15
P(A  B)  P(A  B )  P(A  B)  P(A  B)
C C

Dessa forma, de I e de II tem-se que,

P(A  B)  P(A)  P(A  B)  P(B)  P(A  B)  P(A  B)

Portanto, P(A  B)  P(A)  P(B)  P(A  B)

Exemplo de aplicação

No circuito a seguir, a probabilidade de que cada relé esteja fechado é 0,8. Supondo que cada relé seja aberto
ou fechado independentemente um do outro, calcular a probabilidade de que a corrente passe de A para B.

Sejam os eventos:

R1: o relé 1 está fechado,

R2: o relé 2 está fechado,
R3: o relé 3 está fechado,
R4: o relé 4 está fechado, onde

P(R1) = P(R2) = P(R3) = P(R4) = 0,8

A corrente passa de A para B se estiverem fechados os relés 1 e 2 ou 3 e 4, portanto deve-se calcular

P[(R 1  R 2 )  (R 3  R 4 )] , onde os eventos (R 1  R 2 ) e (R 3  R 4 ) podem ocorrer simultaneamente (se os quatro
relés estiverem fechados), dessa forma tem-se:

P[( R1  R2 )  ( R3  R4 )]  P( R1  R2 )  P((R3  R4 )  P[( R1  R2 )  ( R3  R4 )]

 P(R 1 )  P(R 2 )  P(R 3 )  P(R 4 )  P(R 1 )  P(R 2 )  (R 3 )  P(R 4 )

 0,8  0,8  0,8  0,8  0,8  0,8  0,8  0,8  0,8704 ou 87,04%

(6O) Teorema de Bayes: Sejam A1, A2,. . ., An eventos dois a dois mutuamente exclusivos tais que

A1  A2    An   . Sejam P(Ai) as probabilidades conhecidas desses eventos, e B um evento qualquer de 

tal que são conhecidas todas as probabilidades condicionais P(B/Ai).Então, para um dado evento Ai, tem-se
 16
P( A i )  P( B / A i )
P(A i / B) 
P ( A1 )  P ( B / A1 )  P ( A 2 )  P ( B / A 2 )    P ( A n )  P ( B / A n )
ou
P( Ai )  P( B / Ai )
P( Ai / B) 
n
 P( Ai )  P( B / Ai )
i 1

Demonstração

Considere o seguinte diagrama da partição de  em eventos Ai (i=1,2,3,4,5) e sua interseção com B.

n
Dessa maneira, P( B)   P( A
i 1
i  B) . ( I )

P( A i  B)
Como P(B / A i )  , então,
P( A i )

P( Ai  B)  P( Ai )  P( B / Ai ) ( II )
Dessa forma,
n n

 P( Ai  B)   P( Ai )  P( B / Ai )
i 1 i 1

n
Porém, de ( I ) sabe-se que P( B)   P( A
i 1
i  B) , então

n
P( B)   P( Ai )  P( B / Ai ) . ( III)
i 1

Pensando agora em uma probabilidade condicional P(Ai/B) qualquer tem-se

P( Ai  B)
P( Ai / B) 
P( B)

Percebe-se que o numerador e o denominador representam, respectivamente, as expressões ( II) e ( III),

portanto, a probabilidade condicional P(Ai/B) fica
 17
P( Ai )  P( B / Ai )
P( Ai / B)  n

 P( A )  P( B / A )
i 1
i i

Exemplo de Aplicação

Uma indústria produz quatro tipos de válvulas eletrônicas: A, B, C e D. A probabilidade de uma válvula do tipo A
ser defeituosa é 1%, do tipo B é 0,5%, do tipo C é 2% e do tipo D é 0,2%. Em um depósito existem 1000 válvulas do
tipo A, 500 do tipo B, 300 do tipo C e 200 do tipo D. Uma válvula é retirada aleatoriamente do depósito e verifica-se
que esta é defeituosa. Qual é a probabilidade de que a válvula retirada seja do tipo D?

Sejam os eventos

A: a válvula é do tipo A,
B: a válvula é do tipo B,
C: a válvula é do tipo C,
D: a válvula é do tipo D,
E: a válvula é defeituosa.

O evento válvula defeituosa (E) ocorreu, portanto, a probabilidade de que seja do tipo D (sendo A, B, C e D
mutuamente exclusivos) será dada por:

P ( D)  P ( E / D)
P( D / E ) 
P( A)  P( E / A)  P( B)  P( E / B)  P(C )  P( E / C )  P( D)  P( E / D)

1000 500 300 200

Onde P ( A)   0,50 ; P ( B )   0,25 ; P(C )   0,15 ; P ( D )   0,10
2000 2000 2000 2000

P(E/A) = 1% = 0,01; P(E/B) = 0,5% = 0,005;

P(E/C) = 2% = 0,02; P(E/D)= 0,2% = 0,002;

Portanto,

0,10  0,002
P( D / E )   0,021 ou 2,1%
0,50  0,010  0,25  0,005  0,15  0,020  0,10  0,002

2.1.7 Sequência de Exercícios nº 1

01 No lançamento de um dado equilibrado considere os eventos A: ocorrência de face ímpar B: ocorrência de face
menor do que 3 e C = Número máximo observado igual a 5.
 18
a) Escreva o espaço amostral
b) Calcule P(A); P(B); P(C).R: 0,50; 0,3333; 0,8333

02. Uma moeda perfeita será lançada 3 vezes. Sejam os eventos: E1: observar pelo menos duas coroas; E2: observar
no máximo uma coroa; E3: observar as 3 faces iguais; E4: observar 3 coroas; E5: O primeiro lançamento resulta em
coroa; E6: o segundo lançamento resulta em coroa E7: o terceiro lançamento resulta em coroa.

a) Escreva o espaço amostral no caso de três lançamentos

b) Calcule P(E1), P(E2), P(E3), P(E4), P(E5), P(E6) e P(E7) R: 0,50; 0,50; 0,25; 0,125; 0,50; 0,50; 0,50

03 Uma urna contém 20 bolas das quais 9 brancas, 5 azuis e 6 vermelhas. Duas bolas serão retiradas sucessivamente
da urna, sem reposição. Calcular as seguintes probabilidades:
a) de a segunda bola extraída ser vermelha, dado que a primeira é vermelha.R:0,2632
b) de serem extraídas bolas de cores diferentes: 0,3395
c) de serem extraídas bolas de mesma cor? 0,3211

04. Sabe-se que na fabricação de um certo artigo, defeitos de um tipo ocorrem probabilidade 0,1 e defeitos de outro
tipo com probabilidade 0,05. Qual será a probabilidade de que:
a) um artigo não tenha ambos os tipos de defeitos: R: 0,995
b) Um artigo seja defeituoso? R: 0,145

05 Suponha que A e B sejam eventos independentes associados a um experimento. Se a probabilidade de A ou B

ocorrerem for igual a 0,6 enquanto a probabilidade de ocorrência de A for igual a 0,4 determine a probabilidade de
ocorrência de B. R: 0,3333

06. Um lote é composto de 1000 peças, sendo 95% perfeitas e 5% defeituosas. Duas peças são extraídas
aleatoriamente desse lote, sem reposição, qual a probabilidade de que:
a) ambas sejam perfeitas R: 0,90245
b) ambas sejam defeituosas R: 0,00245
c) uma seja defeituosa e a outra seja perfeita? 0,09510

07 Nos circuitos abaixo, supondo que cada relé funcione independentemente um do outro, sendo 95% a probabilidade
de que um relé qualquer esteja fechado, calcular a probabilidade de que corrente a corrente passe de A para B.

R: 0,999875
 19

R: 0,999756

08 Suponha que uma empresa possui 65 funcionários como mostra o quadro a seguir.

Departamentos sexo Total

Masculino Feminino
Administração 15 10 25
Contabilidade 13 7 20
Pessoal 2 3 5
Marketing 10 5 15
TOTAL 40 25 65

Suponha, ainda, que um(a) funcionário(a) será sorteado(a) para tirar férias no mês de janeiro

a) Qual é o espaço amostral quanto ao sexo?

b) Qual é o espaço amostral quanto a departamentos?
c) Qual é a probabilidade de ser do sexo masculino? R: 0,6154
d) Qual é a probabilidade de ser do departamento de administração e do sexo masculino? R: 0,2308
e) Qual é a probabilidade de ser do departamento de Marketing ou do departamento de administração? R: 0,3846
f) Qual é a probabilidade de ser do departamento pessoal, sabendo que é mulher? R: 0,12

09. Certa indústria, possui cinco máquinas: A, B, C, D e E, as quais produzem os mesmos tipos de peças, que serão
utilizadas na montagem de equipamentos elétricos. Sabe-se que a produção diária da máquina A é o dobro da produção
diária da máquina D, que as produções das máquinas B e C são iguais e que a máquina E produz 20 peças a mais
que a máquina A. De acordo com o setor de controle de qualidade dessa indústria, são defeituosas, respectivamente,
1%, 2%, 5%, 1% e 3% das peças produzidas pelas máquinas A, B, C, D e E. Uma peça foi tomada aleatoriamente e
verificou-se que ela é defeituosa. Calcular a probabilidade de que essa peça tenha sido fabricada pela máquina E,
sabendo que as máquinas A e B produzem, respectivamente, 200 e 150 peças. R: 0,3284

2.2 Variável aleatória

As variáveis descritoras de uma população infinita podem ser qualitativas ou quantitativas, como visto na parte
de Estatística Descritiva. Quando são associados valores de probabilidade às variáveis descritoras, como é no caso
de populações infinitas, elas também são chamadas de variáveis aleatórias. Pode-se dizer, informalmente, que variável
aleatória é uma variável descritora de populações infinitas, a cujos valores são associadas probabilidades de
ocorrência.
 20
Variável Aleatória De modo informal é a variável descritora de populações infinitas, a cujos valores são associadas
probabilidades de ocorrência.

Suponha que uma peça é coletada da linha de produção. Às categorias “peça defeituosa” e “peça perfeita” podem
ser associados os valores 0 e 1, respectivamente. Portanto, na teoria de probabilidade, as vaiáveis aleatórias são
sempre quantitativas mesmo se referindo a qualidade ou atributo.
As variáveis aleatórias são denotadas por letras maiúsculas, e suas realizações por letras minúsculas. Assim, a
probabilidade de que a variável aleatória X assuma determinado valor x, é denotada por P(X = x) ou P(x).

2.2.1 – Definição Formal de Variável Aleatória

Seja “” um experimento aleatório e  o espaço amostral associado ao experimento. Uma função X que associa
números reais a cada evento “e” do espaço amostral  é denominada variável aleatória. Assim, formalmente, uma
variável aleatória X é uma função com domínio  e contradomínio a reta dos reais:

X (ω) :   R

Geometricamente, tem-se:

Figura 2.1 Representação geométrica de uma variável aleatória

em que:
e: é um evento qualquer de ;
 é o espaço amostral
X: é uma função (aqui denominada inadequadamente de variável aleatória);
X(e): é um número real associado ao evento “e” de ;
Rx: é o contradomínio ou conjunto dos possíveis valores de X.

Meyer (1983) aponta a fraqueza dessa terminologia, uma vez que se chama “variável” a uma função. Além
disso o termo aleatória também não é apropriado, uma vez que o acaso não está evidente na sua definição. Entretanto,
devido o seu uso generalizado, também será adotada aqui.

Exemplo
 21
Imagine que duas peças estão para ser coletadas de um lote. Seja o espaço amostral  correspondente à
observação da qualidade dessas peças. "D" significa peça defeituosa e "P" peça perfeita,
 = { (P,P); (D;P); (P;D), (D,D)}

Para o evento número de peças defeituosas ter-se-ia

RX = {0, 1, 2}

Figura 2.2 Representação geométrica da variável aleatória qualidade da peça

As variáveis aleatórias se subdividem em discretas e contínuas, como será mostrado na seqüência.

2.2.2 Variável Aleatória Discreta

Uma variável aleatória X é dita discreta se, o número de possíveis valores de X (ou seja, Rx seu contradomínio)
for finito ou infinito enumerável.

Exemplos

( 1) Seja X a variável que representa o número de peças defeituosas em cada 5 inspecionadas. O contradomínio será
finito, ou seja,

Rx = {0, 1, 2, 3, 4, 5}

( 2) Seja X a variável que representa o número de vezes que um transistor em uma memória de computador muda de
estado em uma operação. O contradomínio será infinito enumerável, ou seja,

Rx = {0, 1, 2, . . .}

(3) Seja X a variável que representa o número de moléculas em uma amostra de gás. O contradomínio será infinito
enumerável, ou seja,

Rx = {1, 2, . . .}
 22

( 4 ) Seja X a variável que representa o número de usuários de uma rede de computadores, em um certo período do
dia. O contradomínio será infinito enumerável, ou seja,

Rx = {0, 1, 2, . . .}

2.2.3 Variável Aleatória Contínua

Uma variável aleatória X é dita contínua, se corresponder a dados de medida, isto é, se o número de valores
possíveis desta não puder ser enumerado. Assim, os elementos do contradomínio de X são representados em forma
de intervalo. Dessa forma, na teoria de probabilidades, todas as variáveis quantitativas contínuas são chamadas
apenas de variáveis aleatórias contínuas.

Exemplos

( 1 ) Tempo de duração, em horas, de lâmpadas da marca A. O contradomínio será infinito não enumerável, ou seja,

Rx  x  R / 0  0

( 2 ) Diâmetros externos em milímetros de tubulações fabricadas por certa companhia. O contradomínio será infinito
não enumerável, ou seja,

R x  {x  R / x  0}

( 3 ) Resistência à ruptura de corpos de prova de concreto em kgf/cm2. O contradomínio será infinito não enumerável,
ou seja,

Rx = { xR/329 x  360}

Outros exemplos de variáveis aleatórias contínuas podem ser citados, tais como: resistência à tração de cabos,
densidade de certo metal, etc.

2.2.4 Função de Probabilidade

Seja X uma variável aleatória discreta. A cada possível resultado x i está associado um número P(x i) = P(X = xi),
denominado probabilidade de xi. A função p é denominada de função de probabilidade da variável aleatória X e segue
às seguintes propriedades.

i) P(X = xi)  0, para todo i;

 23

ii P(X  xi)  1.
i 1

O conjunto dos pares [x i, P(xi)] é denominado de distribuição de probabilidade.

Exemplo

Retornemos ao exemplo das duas peças que estão para ser coletadas de um lote. Seja o espaço amostral 
correspondente à observação da qualidade dessas peças. "D" significa peça defeituosa e "P" peça perfeita,

 = {(P,P); (D;P); (P;D), (D,D)}

Para o evento número de peças defeituosas ter-se-ia

RX = {0, 1, 2}

1
a probabilidade de nenhuma peça ser defeituosa será P(0)  P( X  0)   0,25 ;
4

2
a probabilidade de uma peça ser defeituosa será P (1)  P ( X  1)   0,50 e
4

1
a probabilidade das duas peças serem defeituosas será P( 2)  P( X  2)   0,25 .
4

A probabilidade de ocorrrer nenhuma , ou uma ou duas peças defeituosas será:

3
 P( xi )  P( X  0)  P( X  1)  P( X  2)  0,25  0,50  0,25  1
i 1

Graficamente tem-se
 24

Figura 2.3 – Representação geométrica da função de probabilidade

2.2.5 Função Densidade de Probabilidade

Seja X uma variável aleatória contínua. Define-se função densidade de probabilidade como sendo a função f que
satisfaz às seguintes propriedades:

i) f(x)  0, para qualquer valor de x.


ii)
 f (x)dx  1


A propriedade (ii) indica que a área total limitada pela curva que representa a função f(x) e o eixo das abscissas,
é igual a 1
Seja o intervalo [a,b]  RX. Então, a probabilidade da variável aleatória contínua X assumir algum valor dentro
desse intervalo será dada por:

b
P [a  X  b]   f ( x )dx , para qualquer a e b.
a

que representa, por exemplo, a área escura sob a curva no gráfico a seguir:
 25

Figura 2.4 - Representação geométrica de uma função densidade de probabilidade.

Verifica-se então que, para variáveis aleatórias contínuas, as probabilidades são interpretadas como áreas.
Portanto, qualquer valor x 0  RX, tem-se

x0

P [ X  x0 ]   f (x)dx  0
x0

Devido à probabilidade de uma variável aleatória contínua ser nula num ponto, tem-se que:

P(a  X  b)  P(a  X  b)  P(a  X  b)  P(a  X  b)

Exemplos

(1) Seja uma variável aleatória contínua, cuja fdp é dada por:

f(x) = x/16, 2 < x < 6

= 0, para quaisquer outros valores.
Calcular:
a) P(3  X  4);
b) P(X > 5);
c) P(2  X  6);
d) Representar graficamente a fdp.

Solução

4
1 x2  1  9 1 7
4
x 7
a) P(3  X  4)   dx      8    .    0,219
3
16 16  2  3
16  2  16 2 32
 26
6
1 x  1  25  1 11 11
6 2
x
b) P(X  5)   16 dx  16   2 
5
  18    .  
16  2  16 2 32
 0,3438
5

6
1  x2 
6
dx      18  2  1
x 1
c) P(2  X  6)  
6
16 16  2  2 16

d) para x = 2  f(2) = 2/16 = 1/8 e para x = 6  f(6) = 6/16 = 3/8

A área sombreada representa exatamente a P(2  X  6) =1. Portanto, no caso de variáveis aleatórias
contínuas unidimensionais, o cálculo de probabilidades refere-se ao cálculo de áreas.

(2) Seja X uma variável aleatória contínua, cuja fdp é dada por:

f(x) = k, 2  X  5 (k  cons tan te)

= 0, para quais quer outros valores

a) Determinar o valor de k
b) Representar graficamente a fdp


a) Sabe-se que
 f (x)dx  1 é a uma das condições para que f(x) seja uma fdp, a outra é f(x)  0. Logo,


5 5

 kdx  1  kx 
1
 1  k[5  2]  1  k 
3
2 2

Essa fdp é denominada de uniformemente distribuída

b) Gráfico
 27

2.2.6 Função de Distribuição Acumulada

Independente de uma variável aleatória ser discreta, ou contínua, uma importante função associada a esta, é a
função de distribuição acumulada, função de distribuição de probabilidade, ou simplesmente, função distribuição, a
qual segue as seguintes propriedades:

i) Se x1 < x2, então F(x1)  F(x2), ou seja F(x) é uma função não decrescente

ii) lim F( x )  0
x  

iii) lim F(x)  1

x 

iv) P[ x 1  X  x 2 ]  F( x 2 )  F( x 1 )

A função de distribuição acumulada de uma variável aleatória discreta é dada por:

k
F[ xk ]  P[ X  xk ]   P[ X  xi ]
i1

No caso de uma variável aleatória contínua, a função de distribuição acumulada é expressa por:

x
F( x )  P(X  x )  f (z)dz


Exemplos de aplicação:

( 1 ) Seja a variável aleatória X que representa o número de transformadores defeituosos, em cada lote de 100
unidades, tomados da linha de produção, segundo o quadro abaixo:
 28
i 1 2 3 4 5 6
X 0 1 2 3 4 5
Proporção 0,32 0,28 0,20 0,12 0,06 0,02

Essas proporções podem ser consideradas como probabilidades no sentido de que, se um lote for tomado
ao acaso da linha de produção, existe uma probabilidade, por exemplo, de 28% de que ela contenha apenas 1
transformador defeituoso. A probabilidade de que ele contenha 3 transformadores defeituosos, ou menos, é dada por:

4
F[ x 4 ]  P[ X  x 4 ]   P[ X  xi ]  P[ X  x1]  P[ X  x2 ]  P[ X  x3 ]  P[ X  x 4 ] 
i1

 F[3] = P[X  3] = P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3]

= 0,32 + 0,28 + 0,20 + 0,12 = 0,92 ou 92%

Resumidamente tem-se os seguintes resultados de F(X):

X 0 1 2 3 4 5
F(X) 0,32 0,60 0,80 0,92 0,98 1,00

Graficamente tem-se:

Figura 2.5 – Representação gráfica da F(X) , sendo X v.a. discreta.

( 2 )Seja a variável aleatória contínua X, referente ao tempo de vida útil (em horas) de aspersores de uma determinada
marca, cuja função densidade é dada por:

0,02e  0,02x , x  0

f (x)  

0, x  0
Solução:
x
F ( x)  P( X  x)   f ( z )dz

 29
x x
F ( x)  P( X  x)   0,02e  0,02 z dz  0,02  e  0,02 z dz
0 0
0,02 z
e 0,02 z
u  du  e dz
 0,02

x
e  0,02 z x
F ( X )  P( X  x)  0,02    e  0,02 z  1  e  0,02 x
 0,02 0
0
1  e 0, 02 x , x  0
F( x )  
0, x  0

Resumidamente têm-se os seguintes resultados de F(X):

x F(x) P(X  x)=1-e-0,02*x Resultado
0 F(0)=1-e-0,02*0 0,0000
1 F(1)=1-e-0,02*1 0,0198
10 F(10)=1-e-0,02*10 0,1813
20 F(20)=1-e-0,02*20 0,3297
30 F(30)=1-e-0,02*30 0,4512
40 F(40)=1-e-0,02*40 0,5507
50 F(50)=1-e-0,02*50 0,6321
100 F(100)=1-e-0,02*100 0,8647
150 F(150)=1-e-0,02*150 0,9502
200 F(200)=1-e-0,02*200 0,9817
300 F(300)=1-e-0,02*300 0,9975
400 F(400)=1-e-0,02*400 0,9997

Portanto, por exemplo, a probabilidade de um aspersor dessa marca, tomado ao acaso, durar 100 horas ou
menos, é de 0,8647 ou 86,47%

Assim, o gráfico de F(X) fica:

Figura 2.6 – Representação gráfica da F(X) , sendo X v.a. contínua

2.2.7 Esperança Matemática e Variância de Uma Variável Aleatória

 30
O conhecimento das funções de probabilidade, de densidade de probabilidade e de distribuição acumulada de
uma variável aleatória é importante, mas pode não ser suficiente para descrever satisfatoriamente o comportamento
da mesma. Particularmente, surgem algumas questões com frequência. Por exemplo, em geral deseja-se saber o valor
médio que a variável assume. Em outras palavras, se infinitas realizações da variável fossem observadas, qual seria a
média.? Devido a isto, é importante a utilização da esperança matemática, expectância, valor esperado, ou média de
uma variável aleatória. Para uma variável aleatória discreta a esperança matemática é dada por:


E(X)   x i  p[X  x i ]
i1
A esperança matemática de uma variável contínua tem a seguinte expressão:


E(X)   x f (x) dx
-

Exemplos:

( 1 ) No exemplo do número de transformadores defeituosos, em cada lote de 100 unidades, se os transformadores

forem tomados ao acaso forem observados infinitas vezes, ou, alternativamente, se todos os transformadores forem
tomados da linha de produção diária forem observados, o número médio de transformadores defeituosos por lote será:

E(X)  0  0,32  1 0,28  2  0,20  3  0,12  4  0,06  5  0,02  1,38 Transformadores defeituosos

( 2 ) No exemplo do tempo de vida de aspersores de uma marca, se forem observados infinitos deles, o tempo médio
de vida corresponderá a:

 
0,02x 0,02x

E(X)  x 0,02e dx  0,02  xe dx
0 0

como a função é f(x) = x e-0,002x é da família exponencial pode-se aplicar a seguinte propriedade de integrais.

Assim, para


0,02x
E(X)  0,02  xe dx , m = 1, a = 0,02 e n = 1
0
 31
21!
E( X)  0,02    50 horas
0,02 2 0,02

A esperança matemática possui algumas propriedades a saber:

i) E(k) = k
ii) E(k.X) = k. E(X), onde k é uma constante
iii) E(X  Y) = E(X)  E(Y)
iv) E(X  k) = E(X)  k
v) E(XY) = E(X).E(Y) se X e Y são independentes.

i) E(k) = k

Demonstração:
n n
E(k )   k  P( x i )  k P(x i )  k  1  k
i1 i1

ii) E(k.X) = k. E(X), onde k é uma constante

Demonstração:

n n
E(k  X)   k  x iP( x i )  k  x i  P(x i )  k  E( X)
i1 i1

iii) E(X  k) = E(X)  k

E ( X  k )  E ( X )  E (k )  E ( X )  k

iv) E(X  Y) = E(X)  E(Y)

v) E(XY) = E(X).E(Y) se X e Y são independentes.

As propriedades “iv” e “v” exigem o conhecimento prévio da teoria de variáveis aleatórias bidimensionais, por
isso não serão demonstradas aqui.
As observações de uma determinada variável aleatória podem se concentrar em torno do valor médio, ou estar
mais dispersas. A resposta a essa questão pode ser dada pela variância de uma variável aleatória, a qual é dada por:

V(X) = E(X2) – [E(X)]2

 32
Sendo X uma variável aleatória discreta tem-se que:


E(X 2 )   x i2 p[X  X i ]
i1

Para variável aleatória contínua, basta tomar:


E( X2)   x f( X)dx
2



Exemplos de aplicação

( 1 ) No exemplo do número de transformadores defeituosos, em cada lote de 100 unidades a média foi E(X) = 1,381.
A média do número de transformadores defeituosos ao quadrado será:

2 2 2 2 2 2 2
E(X )  0  0,32  1  0,28  2  0,20  3  0,12  4  0,06  5  0,02  3,62
(transformadores defeituosos)2
Logo, a variância será:

V(X) = E(X2) – [E(X)]2 = 3,62 – (1,38)2 = 1,72 (transformadores defeituosos)2

Extraindo a raiz quadrada desse valor, obtém-se o chamado desvio padrão, de significado mais imediato, uma vez que
está associado, a grosso modo, ao quanto, em média, os valores se distanciam da esperança matemática ou média.

DP(X) = 1,7156  1,31 transformadores defeituosos

( 2 ) A seguir será calculada a variância para o exemplo do tempo de vida de aspersores de uma marca cuja esperança
foi

V(X) = E(X2) – [E(X)]2

Para variável aleatória contínua, basta tomar:

 x f( X)dx
2 2
E( X ) 


Assim,

 
E( X2)  x2 0,02e 0,02x dx  0,02 x2 e0,02x dx
 
0 0
 33
como a função f(x) = x2 e-0,002x é da família exponencial pode-se aplicar a seguinte propriedade de integrais.

Assim, para


E(X2 )  0,02 x
2
e0,02x dx , m = 2, a = 0,02 e n = 1
0

3 2!
E ( X 2 )  0,02    5000 (horas)2
3
0,02 0,022

Assim, a variância fica

V(X) = E(X2) – [E(X)]2 = 5000 - [50]2 = 2500 (horas)2

e o desvio padrão fica

DP(X) = 2500  50 horas

A variância também apresenta certas propriedades:

i) V(k) = 0, sendo k um constante

ii) V(kX) = k2V(X)
iv) V(X  k) = V(X)
iv) V(X  Y) = V(X) + V(Y) COV(X, Y)

Sendo COV(X,Y) = E(XY) - E(X)E(Y) é denomina de covariância entre as variaveis aleatórias X e Y. Se X e Y

são variáveis aleatórias independentes uma da outra, então E(XY) = E(X)E(Y). Portanto a COV(X,Y) = 0. Embora
COV(X,Y) = 0 sempre que X e Y são independentes, a recíproca não é verdadeira, isso é, mesmo que ocorra COV(X,Y)
= 0, nem pode-se dizer que X e Y são independentes. As propriedades da variância serão demonstradas a seguir:

i) V(k) = 0, sendo k um constante

Demonstração:

V(k) = E{[k – E(k)]2} = E{[k – k]}2 = 0

 34

ii) V(kX) = k2V(X) =

V(kX) = E[kX – E(kX)]2 = E[kX –k E(X)]2 = E{k2X2 – 2 k.X.k.E(X) + k2.[E(X)]2} =

= {E(k2X2) – 2 k2.E(X).E(X) + k2.[E(X)]2} = { k2E(X2) – 2 k2.[E(X)]2 + k2.[E(X)]2}

= k2{ E(X2) – 2 [E(X)]2 + [E(X)]2} = k2{ E(X2) – [E(X)]2} = k2V(X)

iv) V(X  k) = V(X)

Demonstração:

V(X  k) = V(X)  V(k) = V (X)  0 = V(X)

iv) V(X  Y) = V(X) + V(Y) COV(X, Y)

A propriedade “iv” exige o conhecimento prévio da teoria de variáveis aleatórias bidimensionais, por isso não
será demonstrada aqui.

2.2.8 Sequência de exercícios nº 2

01. O tempo de vida em horas de um tipo de componente eletrônico produzido por certa indústria, tem fdp dada por:

1000
 , se x  1000
f ( x)   x 2
0, x  1000

Determinar: a) a função de distribuição acumulada; R: F(X) = 0 para X < 1000 e F(X) = 1 – 1000/x para x  1000
b) a probabilidade de que o tempo de vida de um componente eletrônico tomado ao acaso esteja entre 1700
e 1800 horas. R: 0,0327
c) O tempo médio (esperança) de vida. Não é definido

02. Em uma indústria, verificou-se que o número de vezes (X) por semana, que um técnico é solicitado para regular
certos equipamentos, tem distribuição de probabilidade dada por:

xi 0 1 2 3 4
P(xi) 0,75 0,15 0,05 0,03 0,02

a) Representar graficamente as funções de probabilidade e de distribuição acumulada.

 35
b) Qual a probabilidade do técnico ser solicitado menos de 2 vezes em uma semana?R: 0,90
c) Qual a probabilidade do técnico ser solicitado 3 ou mais vezes em uma semana?R: 0,05
d) Calcular o valor esperado de X.R: 0,42
e) Calcular a variância de X.R: 0,7636

03. Considere os comprimentos X de parafusos produzidos por certa companhia como uma variável aleatória contínua,
tendo fdp

cx (1  x), 0  x  1
f ( x)  
0, para quaisquer outros valores

a) Determine a constante c.R: 6

b) Represente graficamente a fdp.
c) Determine a função de distribuição acumulada de X.
R: F(x) = 0 para x < 0, F(x) = 3x2 – 2x3 para 0 x 1 e F(x) = 1 para x > 1
d) Calcular E(X) e V(X) R: 0,5 e 0,05

04. A espessura (em mm) de chapas produzidas por certa siderúrgica, tem fdp dada por

0 se x  1,
( x  1) / 3 se 1  x  2,

f ( x)  1 / 3 se 2  x  4,
(5  x) / 3 se 4  x  5,

0 se x  5.
a) Representar graficamente a fdp.
b) Determinar a função de distribuição acumulada e representa-la graficamente.
R: F(x) = 0 para x < 1, F(x) = (1/6).(x2 – 2x + 1) para 1 x 2, F(x) = (1/6).(2x-3) para 2 < x < 4,
F(x) = (1/6).(-x2 + 10x – 19) para 4 x  5 e F(x) = 1 para X > 5
c) Calcular a probabilidade de uma chapa qualquer ter espessura superior a 2,5 mm. R: 2/3
d) Calcular a espessura média (esperança).R: 3mm

2.3 Distribuições discretas de probabilidade

É comum o uso de variáveis de contagem, como já comentado na parte de variáveis aleatórias. Neste caso, o
uso de distribuições discretas é indicado para descrever o fenômeno. Nesta seção serão abordadas algumas
distribuições de probabilidade relativas a variáveis aleatórias discretas.
 36
2.3.1 Distribuição de Bernoulli

Quando uma variável é classificada com base em apenas dois resultados possíveis, tais como planta atacada
ou não atacada por inseto, peça perfeita ou defeituosa, sexo feminino ou masculino, aluno aprovado ou reprovado, etc,
define-se a chamada distribuição de Bernoulli. Em tais situações, pode-se definir uma variável aleatória que assume
valores iguais a 0 ou 1, associados a dois resultados possíveis. O evento a partir do qual a variável assume o valor 1
é por vezes denominado de evento de sucesso, ou simplesmente sucesso, e a probabilidade p desse evento ocorrer
pode ser chamada de probabilidade de sucesso. Assim, uma variável aleatória X apresenta distribuição de Bernoulli
se tem a seguinte função de probabilidade:

p, se x  1

f(x; p)  P(X  x)  1  p, se x  0
0 em outros casos


É usual denotar (1-p) pela letra q. Outra maneira de representar esta função é:

f(x, p)  P(X  x)  px (1  p)1 x I{0, 1}(x)  pxq1 x I{0, 1}(x)

em que I é a função indicadora do intervalo de valores que a v.a. X pode assumir.

Exemplo

Numa fábrica a probabilidade de que uma peça seja perfeita é 0,95. Qual a probabilidade de que uma peça
escolhida aleatoriamente da linha de produção seja defeituosa?

Solução:

O evento de sucesso é “ peça efeituosa” , então, para este atribui-se o valor X = 1. A probabilidade de insucesso “peça
perfeita” é 1 – p = 0,95. Logo, a probabilidade de sucesso (peça defeituosa) será p = 0,05. Assim, a probabilidade de
que uma peça escolhida ao acaso seja defeituosa será:

f(x, p)  P(X  1)  px (1  p)1 x  0,05  0,95 0  0,05

Percebe-se, portanto, que o evento de sucesso não precisa ser, necessariamente, aquele que o observador
gostaria que ocorresse na prática (no exemplo, peça perfeita), mas sim, aquele sobre o qual deseja-se calcular a
probabilidade de ocorrência (no exemplo, peça defeituosa).
É fácil observar que a esperança e a variância de uma variável aleatória X com distribuição de Bernoulli, são
dadas por:

E(X) = p V(X) = pq
 37
Demonstração

1
E(X)   x  p[ X  x]  0  (p  1)  1  p  E(X)  p
x 0

1
E(X 2 )   x 2  p[ X  x]  0 2  ( p  1)  12  p  E(X 2 )  p
x 0

V(X) = E(X2) – [E(X)]2= p – p2 = p(1 – p)  V(X) = pq

O valor p da esperança de X não deve ser interpretada como uma probabilidade mas, sim, como um valor
numérico médio fracionário (frequência relativa média), que a variável assume. Ou seja, se infinitas realizações são
observadas, o número médio de X corresponderá a p.

Exemplo:

Para o exemplo anterior, o valor médio da proporção de peças defeituosas, se infinitas peças forem
inspecionadas, será

E(X) = p = 0,05
E a variância

V(X) = pq = 0,05 . 0,95 = 0,0475

2.3.1.1 Sequência de exercícios nº 3

01. No lançamento de um dado, a variável X representa o número de faces iguais a 4 obtidas. Determine a média e o
desvio padrão. Resposta. E(X) = 1/6 e DP(X) = 0,37

02. Uma urna contém 15 bolas brancas e 25 vermelhas. Uma bola é retirada da urna e a varável X representa o número
de bolas brancas obtidas. Calcule a média e o desvio padrão de X. Resposta. E(X) = 0,375) e DP(X) = 0,484

03. Um caixa contém 12 canetas das quais 5 são defeituosas. Uma caneta é selecionada ao acaso e a variável X
representa o número de canetas defeituosas obtidas. Calcule a média e o desvio padrão de X. Resposta. E(X) = 0,4167
e DP(X) = 0,4930

04. Um lote contém 50peças boas e 5 defeituosas. Uma peça é selecionada deste lote e a variável X representa o
número de peças defeituosas obtidas. Calcule a média e o desvio padrão de X. Resposta. E(X) = 0,0909 e DP(X) =
0,2875
 38
2.3.2 Distribuição Binomial

Se a cada ensaio corresponde uma distribuição de Bernoulli com mesmo parâmetro p, a observação conjunta
de vários desses ensaios independentes, cada um com dois resultados possíveis, corresponde a uma distribuição
binomial.
Por exemplo, considere que a probabilidade de um bit transmitido através de um canal digital de transmissão ser
recebido com erro é p = 0,1. Então, a observação de cada bit, individualmente, seque a distribuição de Bernoulli, mas,
a observação conjunta de vários bits, onde os resultados entre os bits são independentes, corresponde a uma
distribuição binomial. Nesse caso, é possível calcular, por exemplo, a probabilidade de que 2 bits apresentem erro num
total de 4.
A função de probabilidade da distribuição binomial é

f (n, p)  P( X  x)  Cnx px (1  p)nx  CnxpxqnxI{0,1,...,n} ( x)

Tal função é obtida pela expansão do binômio de Newton (p + q)n, o qual justifica a denominação desta
distribuição.
Demonstra-se, para a distribuição binomial, que a esperança (média) e a variância são dadas, respectivamente,
por:

E(X) = np V(X) = np(1-p) = npq

Demonstração

À distribuição binomial é definida como a soma de n variáveis independentes com distribuição de Bernoulli, ou seja, se
n
Xi, i = 1, . . ., n são variáveis aleatórias cada qual com distribuição de Bernoulli, então a variável X =  Xi tem
i 1
distribuição Binomial, assim,

 n  n
E( X)  E X i  
 
E( X i )  np
 i 1  i 1

E( X 2 )  E
 n

 2
 n
Xi  
  
E Xi2  np
 i 1  i 1

 
 n  n n n
V( X )  V  X i  
  V( x i )  E( Xi2 )  [E( Xi )] 2  (p  p 2 ) np(1  p)  npq
 
 i 1  i 1 i 1 i 1
 39
Exemplos:

( 1 ) Suponha que 5 geradores idênticos de um usina hidrelétrica, com 100 MVA cada, tem uma probabilidade de 0,98
de estar em serviço. Qual a probabilidade de um deles se achar fora de operação?

Solução:

A probabilidade de um deles estar fora de serviço é a mesma que a de 4 deles estarem em serviço, logo, n = 5; x= 4,
e p = 0,98. Assim,

P( X  4)  C54 0,984 (1  0,98) 54  5  0,9236  0,02  0,09223 ou 9,223%

Deste modo, a probabilidade de achar uma das unidades fora de operação será de aproximadamente 9%.

( 2 ) Segundo os registros de uma escola, a proporção média de alunos reprovados na disciplina de Matemática, na
sétima série, ao longo dos anos, é de 0,25. Assim, a probabilidade de que, numa turma de 40 alunos da sétima série
ocorram, por exemplo, exatamente 7 alunos reprovados é

f (n, p)  P( X  x)  Cnx px (1  p)nx  Cnx pxqnx

f ( 40; 0,25 )  P( X  7)  C740 0,25 7 (1  0,25 )407  0,0857 ou 8,57 %

( 3 ) Sabe-se que 5% dos parafusos fabricados por uma indústria são defeituosos. Em um lote de 10 parafusos, qual
é a probabilidade de:

a) exatamente 2 serem defeituosos.

b) menos de 2 serem defeituosos
c) três ou mais serem defeituosos
d) Qual a média e o desvio padrão do número de parafusos defeituosos?

A probabilidade de que um parafuso qualquer seja defeituoso é p = 0,05 logo,1 - p = 0,95. Portanto,

a) P[X=2] = C10,2 (0,05)2 (0,95)102  0,07463

b) P(X< 2 ) = P(X= 0 ) + P(X=1)

10 0
0
P(X< 2 ) = C10, 0 (0,05) (0,95)  C10,1 (0,05)1 (0,95)101  0,59874  0,31512  0,91386

c) P ( X  3)  1  P ( X  3)  1  [ P ( X  0)  P ( X  1)  P ( X  2)]

P ( X  3)  1  [0,59874  0,31512  0,07463]  0,01151

 40

d) E(X) = np = 10 . 0,05 = 0,5 peças defeituosas

DP  v( x )  npq  10  0,05  0,95  0,69 peças defeituosa s

2.3.2.1 Sequência de exercícios nº 4

01. Um exame do tipo teste é constituído de 20 questões, cada uma delas com 5 respostas alternativas, das quais
apenas uma é correta. Se um estudante responde as questões ao acaso, qual é a probabilidade de que consiga acertar
exatamente 10 questões? R: 0,002 ou 0,2%

02. Uma empresa produz 10% de peças defeituosas. As peças são embaladas em caixas que contém 12 peças. Calcule
a probabilidade de um cliente comprar uma caixa contendo

a) nenhuma peça defeituosa; R: 0,2824 ou 28,24%

b) uma peça defeituosa.R: 0,3766 ou 37,66%

03. Uma amostra de 25 peças é retiradas, com reposição, de um lote que contém 10% das peças são defeituosas.
Calcule a probabilidade de que:

a) o lote não contenha peças defeituosas; Reposta: 0,0718

b) o lote contenha exatamente três peças defeituosas; Resposta: 0,2265
c) o lote contenha pelo menos uma peça defeituosa; Resposta: 0,9182
d) o lote contenha entre três e seis peças defeituosas; Resposta: 0,2030
e) o lote contenha de três a seis peças defeituosas; Resposta: 0,4537
f) Calcule o valor esperado e o desvio padrão. Resposta: E(X) = 2,5 e DP(X) =1,5

04. Um levantamento feito em um pregão da bolsa de valores mostrou que naquele dia 40% das empresas tiveram
aumento do valor de suas ações, enquanto que as ações das empresas restantes ficaram estáveis ou perderam
valor. Um fundo negocia ações de 10 destas empresas. Calcule a probabilidade de que neste dia:

a) todas as ações tenham se valorizado; Resposta: 0,01%

b) no máximo as ações de duas empresas tenham se valorizado. Resposta: 1,23%

04. Uma indústria de computadores suspeita que 3% de um determinado tipo de peça que produz possui defeitos. Se
tal suspeita é correta, determine a probabilidade de que, numa amostra de quatro peças, sejam encontradas:

a) no mínimo duas peças defeituosas; Resposta: 0,52%

b) duas peças boas ou menos; Resposta: 0,33%
 41
06. Uma empresa distribuidora costuma falhar em suas entregas de mercadorias 15% das vezes, por atraso de
entrega, ou por mercadoria fora da especificação, ou por danos, etc., causando reclamações dos clientes. Calcule a
probabilidade de:

a) Não haver reclamações nas 10 entregas de hoje; Resposta: 16,69%

b) acontecer pelo menos uma reclamação nas 4 primeiras entregas; Resposta: 47,80%
c) acontecer no máximo uma reclamação nas 10 primeiras entregas; Resposta: 54,43%

07. Um produto eletrônico contém 40 circuitos integrados. A probabilidade de que qualquer circuito seja defeituoso é
de 0,01. Os circuitos são independentes. O produto opera somente se não houver circuitos defeituosos. Qual é a
probabilidade de que o produto funcione corretamente? Resposta: 0,6689

2.3.3 Distribuição de Poisson

A distribuição de Poisson é outra distribuição de probabilidade discreta que encontra muitas aplicações
práticas. Diz-se que existe um processo de Poisson, se pudermos observar variáveis discretas em um intervalo
contínuo (de tempo, de comprimento, de área de superfície, de volume, etc.). São exemplos de aplicação desta
distribuição:

1) Número de carros que chegam a um cruzamento por minuto, durante certo período do dia;
2) Número de erros por página, em um impresso;
3) Número de bactérias numa dada cultura por 0,01mm2, numa plaqueta de microscópio;
4) Número de falhas a cada 100m de uma linha de transmissão de energia elétrica.
5) Número de atendimentos no caixa durante o período de meia hora no caixa eletrônico.

Exemplo

( 1 ) O número de partículas radioativas emitidas em cada intervalo de 5 segundos, são contadas. Suponha que o
número de partículas emitidas, durante o intervalo de 5 segundos, tenha uma distribuição de Poisson com média  =
2,0. Tendo sido observados 10 intervalos de tempo, qual a probabilidade de que em cada um deles, menos de 3
partículas sejam emitidas?

Tem-se  = 2,0, portanto,

20 e 2 21 e 2 22 e 2
P( X  3)  P( X  0)  P( X  1)  P( X  2) =    0,1353 0,2707  0,2707  0,6707
0! 1! 2!

que representa a probabilidade de emissão de menos de 3 partículas em um intervalo de tempo. Portanto, no caso de
10 intervalos de tempo, tem-se a probabilidade

P(X1  3  X2  3    X10  3)  P(X1  3)  P(X2  3)P(X10  3)  0,670710  0,0201

 42

A distribuição de Poisson também pode ser utilizada com uma aproximação boa da distribuição de Binomial,
quando número de observações “n” cresce e a probabilidade do evento de sucesso “p” decresce , de maneira que o
produto np, ou seja, a média, se mantém constante, ou seja:

C nx p x q n x x e 
f (n, p)   f ( x,  )  P(X  x)  I {0,1,...,} ( x )
n  x!

em que  = np é a média; e = 2,7183...,.que define a função de probabilidade da distribuição de Poisson.

Exatamente pelo fato de p tender a zero, para que o produto  = np seja constante, a distribuição de Poisson é
aplicável, no estudo eventos raros, ou seja, com baixa probabilidade p de ocorrência.
Assim, a distribuição de Poisson pode ser utilizada como uma boa aproximação da distribuição binomial, desde
que n seja grande e p seja pequeno. Na prática, essa aproximação geralmente é usada para n  50 e np <5.

Exemplo

( 1 ) Verificou-se que a probabilidade de falha de um transistor em um instrumento eletrônico, durante uma hora de
operação, é igual a 0,005. Calcular a probabilidade de

a) Não haver falhas em 80 horas de operação;

b) haver menos de duas falhas em 80 horas de operação

Como n = 80 > 50 e np = 80x0,005 = 0,4 < 5, a distribuição de Poisson pode utilizada para calcular tais probabilidades

0,40 e 0, 4
a) P(X  0)   0,6703
0!

0,40 e 0, 4 0,41 e 0, 4

b) P(X< 2) = P(X= 0 ) + P(X=1) =   0,6703 0,2681  0,9384
0! 1!

A esperança e a variância da distribuição de Poisson são iguais, ou seja,

E (X) = V(X) = np

Demonstração


 x e   
x e  
 x 
 x  p[ X  x]  
 e
E(X)  x   x  
x! x  (x - 1)!  ( x - 1)!
x 0 x 0 x 0 x 1
 43

Observação: se s = x – 1  x = s + 1 e se x = 1 s = 0, logo,

 s 1e   s e 
E( X)   s!
   s!
   np
s0 s
0 
1
  
 x e   x e   x e  
E(X 2 )   x 2  p[ X  x]    x2 
x!
  xx
x  ( x - 1)!
  x
( x - 1)!
x 0 x 0 x 1 x 1

Observação: se s = x – 1  x = s + 1 e se x = 1 s = 0, logo,

 (s  1)  s 1e   (s  1)  s e 
E( X 2 )   s!
   s!
s0 s0

 
  s  s e   s e  
E(X 2 )           E(S)    2  
 s0 s! s
s 0
 ! 

 1 

2 2
V(X) = E(X2) – [E(X)]2=         np

Exemplo

( 1 ) No exemplo anterior, a esperança e a variância do número de falhas do transistor em um instrumento eletrônico,

durante 80 horas de operação são:

E(X) = V(X) = np = 80*0,005 = 0,4

2.3.3.1 Sequência de exercícios nº 5

01 Uma máquina produz uma proporção p = 0,009 de peças defeituosas. Suponha que são inspecionas 100 peças.
Pergunta-se:

a) É permitida a utilização da distribuição de Poisson para calcular probabilidades neste exemplo, com uma boa
aproximação da distribuição binomial? Justifique a sua resposta.
b) Qual é a probabilidade de ocorrerem 8 peças defeituosas? Calcule pela distribuição de Poisson e pela distribuição
binomial. Reposta: pela Poisson (0,000004), pela binomial (0,000003)
 44
02 Supondo que o número de carros que chegam à fila de um guichê de pedágio tem distribuição de Poisson com
média de três carros por minuto, calcule a probabilidade de que cheguem cinco carros nos próximos dois minutos.
Resposta: 0,1606 ou 16,06%

03 Uma Cia de seguros realiza presta serviços para 100 carros de uma grande empresa de São Paulo. O percentual
de carros roubados no ano passado, em São Paulo, foi de 3,5%. Qual é a probabilidade de, no ano passado, desta
Cia, ter ocorrido roubo de:
a) nenhum carro? Resposta: 0,0302
b) um carro? ? Resposta: 0,1057
c) No máximo dois carros? Resposta: 0,3209

04 O controle de qualidade de uma montadora de automóveis acusa que 1% das falhas no processo de proteção
antioxidante da lataria dos veículos que ela produz. Foram encomendados 100 veículos. Calcule a probabilidade de
que a falha citada ocorra em:
a) nenhum um veículo. Resposta: 0,3679
b) apenas um veículo. Resposta: 0,3679
c) No máximo um veículo. Resposta: 0,7358
d) mais de um veículo. Resposta: 0,2662

2.3.4 Distribuição Hipergeométrica

A distribuição Hipergeométrica pode ser usada quando têm-se n elementos coletados sem reposição, de um
total de N, sendo que r deles correpondem ao evento de sucesso e se quer saber a probabilidade de que, dentre os n
observados, x correspondam ao evento de sucesso, com o mostra a figura a seguir:

Diz-se que uma variável aleatória X seque a distribuição hipergeométrica se sua função de probabilidade for
dada por:

C r , x C N r ,n  x
P( X  x) 
C N ,n
em que:

CN,n representa a contagem do número total possível de amostras sem reposição;

Cr,x representa a contagem do número de maneiras que o evento de sucesso pode ocorrer na amostra;
 45
CN-r, n-x representa a contagem do número de maneiras que o evento de fracasso pode ocorrer na amostra.

Demonstra-se que a esperança e a variância de uma V.A com distribuição hipergeométrica são,
respectivamente,

( N  n)
E(X) =np e V ( X )  np(1  p )
( N  1)

Em que: p = r/N, ou seja, é a probabilidade do evento de sucesso.

Exemplos

( 1 ) Uma firma vende lâmpadas por centenas. Examina sempre uma amostra de 15 lâmpadas para verificar se estão
boas. Se uma centena inclui 12 lâmpadas queimadas, qual é a probabilidade de se escolher:

a) nenhuma lâmpada queimada;

b) pelo menos uma lâmpada queimada;
c) nesta situação, qual é o provável número médio, a variância e o desvio padrão de lâmpadas queimadas, se várias
amostras de12 Lâmpadas forem contadas?

Solução:

N = 100, r = 12, n = 15

C r , x C N r ,n x C12,0 C10012,150

a) P( X  x)   P( X  0)   0,1253
C N ,n C100,15

b) P(x  1) = 1 – P(x < 0) = 1 – 0,1253 = 0,8747

c) E(X) = np = 15.(12/100) = 15.0,12 = 1,8  2 lâmpadas queimadas

( N  n) (100  15)
V ( X )  np(1  p)  15  0,12  (1  0,12)  0,45 (lâmpadas queimadas)2
( N  1) (100  1)

DP( X )  0,45  0,67 lâmpadas queimadas

( 2 ) Pequenos motores são guardados em caixas de 50 unidades. Um inspetor de qualidade examina cada caixa antes
da posterior remessa testando 5 motores. Se nenhum motor for defeituoso, a caixa é aceita. Se pelo menos um for
defeituoso, todos os 50 motores são testados. Suponha que ha 6 motores defeituosos numa caixa. Qual é a
probabilidade de que seja necessário examinar todos os motores dessa caixa?
 46

Solução:

N = 50, r = 6 e n = 5

C6, 0 C506, 50

P( x  1)  1  P( x  1)  1  P( x  0)  1   1  0,1526  0,4874
C50, 5

2.3.4.1 Sequência de exercícios nº 6

01. Lotes de 40 peças são aceitáveis se contém, no máximo, três peças defeituosas. O processo de amostragem
consiste em extrair, aleatoriamente e sem reposição, cinco peças de cada lote e rejeitá-lo se for encontrada pelo menos
uma peça defeituosa nas cinco peças extraídas. Há três peças defeituosas em todo o lote? Qual é a probabilidade de
o lote ser rejeitado? Resposta: 0,3376

02. Num lote de 10 misseis, são lançados quatro escolhidos aleatoriamente, sem reposição. Se o lote contém três que
não funcionam, qual é a probabilidade de que
a) todos os quatro funcionem? Resposta: 0,1667
b) NO máximo dois funcionem? Resposta: 0,9667

03. Numa urna há 40 bolas brancas e 60 pretas. São retiradas 20 bolas sem reposição. Qual é a probabilidade de que
ocorram no mínimo duas bolas brancas? Resposta: 0,9998

04. Uma fábrica de motores para máquinas de lavar roupas separa para inspeção, uma amostra de 30 itens, sem
reposição, da sua linha de produção diária de 350 peças. É 14 o número de peças por dia. Qual é a probabilidade de
que a amostra contenha pelo menos 3 motores defeituosos? Resposta: 0,1085

2.3.5 Distribuição Multinomial ou polinomial

Considere k eventos A1, A2, . . ., Ak que formam uma partição do espaço amostral de um experimento
aleatório, cada qual com sua probabilidade de sucesso.

P(Ai) = Pi, i = 1, 2,. . .,k

Se de uma população de N elementos são retirados n, com reposição, e se quer saber a probabilidade de
que os eventos A1, A2, . . ., Ak ocorram exatamente n A , n A ,, n A vezes, pode ser utilizada a distribuição
1 2 k
multinomial ou polinomial, caracterizada pela seguinte função de probabilidade:

n! nA nA nA
P(n A , n A , , n A )   p1 1  p 2 1    p k k
1 2 k n A !n A ! n A !
1 2 k
 47
em que:

n é o número total de repetições ou ensaios.

nº de possibilidades favoráveisao evento Ai

pi  , com i = 1, 2, . . .,k
nº total de possibilidades

Exemplo

( 1 ) Suponha que é realizado um sorteio por meio de uma urna que contém 6 bolas brancas, 4 pretas e 5 azuis. Se
saírem 4 bolas brancas, 2 pretas e 2 azuis a pessoa ganha um prêmio de R$50.000,00. Nesta condição, qual é a
probabilidade de uma pessoa ganhar o prêmio, se retirar 8 bolas com reposição.

Solução:
Sejam os eventos:

B: ocorrer bola branca

P: ocorrer bola preta
A: ocorrer bola azul

n!
P( n B , n P , n A )   p BB  p pP  p AA
n n n
n B !n P !n A !

4 2 2
8!  6   4   5 
P(n B  4, n P  2, n A  2)            0,085 ou 8,5%
4! 2! 2!  15   15   15 

2.3.5.1 Sequência de exercícios nº 7

1. Uma caixa contém 5 bolas vermelhas, 4 brancas e 3 azuis. Extrai-se uma bola ao acaso, anota-se a cor, repondo-
se em seguida a bola na caixa. Determinar a probabilidade de que, de 6 bolas escolhidas aleatoriamente, 3 sejam
vermelhas, 2 brancas e uma azul. Resposta: 0,121

2. Os bits numa transmissão têm a seguinte classificação: excelentes(E), bons(B), razoáveis(R) e pobres(P). Considere
que as classificações dos bits individuais são eventos independentes e que as probabilidades de E, B, R e P são,
respectivamente, 0,6; 0,3; 0,08 e 0,02. Calcule a probabilidade de que em 20 bits recebidos ocorram, 12 excelentes, 6
bons, 2 Razoáveis e nenhum pobre. Resposta: 0,0358.
 48
2.4 Distribuições Contínuas de Probabilidade

As distribuições contínuas de probabilidade são utilizadas quando a característica em estudo é uma variável
aleatória contínua. Neste curso serão mostradas algumas dessas distribuições, são elas: A distribuição uniforme
contínua, a distribuição exponencial e a distribuição normal, a qual é a de maior importância para a inferência
estatística.

2.4.1 Distribuição uniforme contínua

A importância da distribuição uniforme está na aleatorização. Os programas computacionais de simulação de

amostras pseudo-aleatórias a utilizam porque através desta, todos os valores dentro de um intervalo [a, b] têm a mesma
probabilidade de ocorrência.
Uma variável aleatória X tem distribuição de probabilidade uniforme no intervalo [a, b] se sua função
densidade de probabilidade é da por

 1
 b  a se a  x  b

f (x)  
0 se x  a ou x  b


O gráfico da distribuição uniforme é o que segue

Figura 2.7 gráfico da função de probabilidade de uma distribuição uniforme contínua.

Para a distribuição uniforme contínua demonstra-se que a esperança e a variância são, respectivamente,

ab (b  a ) 2
E( X )  e V (X ) 
2 12

Demonstração:


Para uma varia aleatória contínua a esperança é dada por: E(X) 
 x f (x) dx
-
 49
Logo,

b b
 1  1 x2 b 2  a 2 (b  a)  (b  a) b  a ab
E ( x)   x  dx      E( X ) 
ba ba 2 2(b  a) 2(b  a) 2 2
a a

Para uma varia aleatória contínua a esperança ao quadrado é dada por:


E( X2)   x f( X)dx
2


Então,


b 3 b 2 2
 1  1 x 1 b3  a 3 b  ab  a b 2  ab  a 2
E( X 2 )   x 2  dx     E( X 2 ) 
ba ba 3 3 (b  a ) 3 3
a a 


2
b 2  ab  a 2  b  a  b 2  ab  a 2 (b 2  2ab  a 2 )
V(X) = E(X ) – [E(X)] =
2 2
   
3  2  3 4

4b 2  4ab  4a 2  3b 2  6ab  3a 2 (b 2  2ab  a 2 ) (b  a ) 2

=  V ( X ) 
12 12 12

Exemplos

(1) Seja X uma variável aleatória contínua, cuja fdp é dada por:
f(x) = k, 2  X  5 (k  cons tan te)

= 0, para quais quer outros valores

a) Determinar o valor de k
b) Representar graficamente a fdp


a) Sabe-se que
 f (x)dx  1 é a uma das condições para que f(x) seja uma fdp, a outra é f(x)  0. Logo,

 50
5 5

 kdx  1  kx 
1
 1  k[5  2]  1  k 
3
2 2

Essa fdp é denominada de uniformemente distribuída

b) Gráfico

( 2 ) A dureza X de uma peça de aço pode ser pensada como sendo uma variável aleatória com distribuição uniforme
no intervalo [50, 70] da escala de Rockwel.

a) Calcular a probabilidade de que uma peça tenha dureza entre 55 e 60

b) Calcular a esperança e a variância.

Solução:

a) Para uma v.a. uniformemente distribuída tem-se

 1
 b  a se a  x  b

f (x)  
0 se x  a ou x  b


Logo,

 1 1
 70  50  20 se 50  x  70

f ( x)  
0 se x  50 ou x  70


60 60
1 1 5 1
P(55  x  60)   dx  x   = 0,25 ou 25%
20 20 55 20 4
55

Portanto, a probabilidade de que uma peça tenha dureza entre 55 e 60 é de 0,25 ou 25%.
 51
b)

a  b 70  50 (b  a ) 2 (70  50) 2
E(X)    60 HR V(X)    33,3333 HR
2 2 12 12

2.4.1.1 Sequência de exercícios nº 8

01 A variável aleatória X é uniformemente distribuição uniforme no intervalo [0, 2]. Pede-se:

a) Calcular a probabilidade de que um ponto escolhido ao acaso esteja entre 1 e 1,5. Resposta: 1/4
b) Calcular E(X) e V(X). Resposta: E(X) = 1/2 V(X) = 1/3

02 A variável aleatória X é uniformemente distribuição uniforme no intervalo [0, 10]. Pede-se:

a) Calcular a probabilidade de que um ponto escolhido ao acaso esteja entre 3/2 e 7/2. Resposta: 2/10
b) Calcular E(X) e V(X). Resposta: E(X) = 5 V(X) = 8,3333

2.4.2 Distribuição Exponencial

A distribuição exponencial é frequentemente utilizada em estudos de confiabilidade, como sendo o modelo

para o tempo até a falha de um equipamento. Por exemplo, o tempo de vida de um chip semicondutor até falhar pode
ser modelado como uma variável aleatória que segue a distribuição exponencial com média de 40.000 horas.
Essa distribuição possui a propriedade de falta de memória, o que implica que o equipamento não se
desgasta. Assim, se o equipamento já foi utilizado, por exemplo, a probabilidade de falha nas próximas 1000 horas é
a mesma de falha nas primeiras 1000 horas, o que não é adequado.
O tempo de vida de um equipamento com falhas causadas pelos impactos aleatórios pode ser modelado
apropriadamente como uma variável aleatória exponencialmente distribuída. No entanto, o tempo de vida de um
equipamento que sofre um lento desgaste mecânico, tal como o desgaste de um mancal, é melhor modelado por uma
distribuição que não sofra falha de memória.
Outros exemplos de variáveis aleatórias que seguem a distribuição exponencial:

1) tempo até o atendimento do próximo cliente num caixa eletrônico;

2) tempo entre duas chamadas telefônicas consecutivas;
3) tempo até a próxima conexão de uma rede de computadores, etc.

Uma variável aleatória X tem distribuição exponencial se sua função densidade de probabilidade é dada por:

e x se x  0

f ( x)  
0 se x  0


O gráfico da função densidade de probabilidade da distribuição exponencial é o que segue:

 52

Figura 2.8 Representação geométrica da distribuição exponencial

A função de distribuição acumulada de X é dada por:

x
e  z
x
   1  e  x

F(x) = e z dz  

0 0

Logo,

1  e x se x  0


P( X  x)  F ( x)  
0 se x  0



Uma função de interesse em estudos de confiabilidade é a função de falha h(x), calculada por

f ( x)
h( x ) 
1  F ( x)

Para a distribuição exponencial tem-se, então,

e x
h( x)    , ou seja uma constante
1  (1  e x )

Essa característica de taxa de falha constante, faz com que a distribuição exponencial seja largamente
empregada nos estudos de confiabilidade de sistemas de potência.

O valor médio ou esperança e a variância de X da distribuição exponencial, são dados, respectivamente, por:

1 1
E( X)  e V( X) 
 2
 53
Demonstração

  
 0 x  e x dx   0 xe
x
E( X)  xf ( x )dx  dx

Lembremos da seguinte propriedade do cálculo: para funções da família exponencial tem-se:

Logo, para

0 xe
x
E( X)   dx

Tem-se m = 1, a =  e n = 1

  2  2 x
E( X 2 )   x 0 x  e x dx   0 x
2
f ( x)dx  e dx

Tem-se m = 2, a =  e n = 1.

2
2  1 2 1 2    1
V(X)  E(x2) [E(X)]2         V( X) 
3  3
2
 3
3
2

Exemplos

( 1 ) Numa grande rede corporativa de computadores, as conexões dos usuários ao sistema podem ser modeladas por
um processo de Poisson com média de 25 conexões por hora. Seja X a apresentação do tempo, em horas, do início
 54
do intervalo até a primeira conexão. Então X, tem uma distribuição exponencial, com  = 25 conexões por hora. Qual
é a probabilidade desse tempo

a) exceder a 6 minutos (ou a 0,1 hora)?

b) estar entre 2 e 3 minutos (ou entre 0,033 e 0,05 hora)?
c) Qual o tempo médio e a variância entre conexões consecutivas?

Solução:

 
x 25 x
a) P( x  0,1)    e dx   25 e dx  e 250,1  0,082
0,1 0,1
 0, 05

 e  25 e
x  25 x 0, 05
b) P(0,033  x  0,05))  dx  dx   e 25x  0,152
0, 033
0,1 0, 033

1 1
c) E ( X )    0,04 hora ou 2,4 minutos
 25

Interpretação: Significa que o tempo médio entre várias conexões consecutivas será de 0,04 horas ou 2,4
minutos.

1 1
V (X )    0,0016 hora2
 2
25 2

DP(X) = 0,0016  0,04 hora ou 2,4 minutos

( 2 ) Uma fabrica determinou que a vida útil de tubos de TV segue uma distribuição exponencial com média de 800
horas de uso contínuo. Qual a probabilidade de que a fabrica tenha de substituir um tubo gratuitamente, se oferece
uma garantia de 300 horas de uso?

Solução

P(x  300 )=?

1 1 1
E(X) =  800    
  800

A função de distribuição acumulada da distribuição exponencial é dada por:

 55
1  e x
se x  0


P( X  x)  F ( x)  
0 se x  0


Logo,

P(X  300) = F(300) = 1 – e-(1/800).300 = 0,3127

Portanto, a probabilidade de que a fabrica tenha de substituir um tubo gratuitamente, se oferece uma garantia
de 300 horas, é de 0,3127 ou 31,27%.

( 3 ) A taxa de saída observada de determinada LT (linha de transmissão de energia) é de 1,2 saídas por 100 km de
linha por ano. Se a linha possui 200 km de comprimento, qual a probabilidade dela não operar nas próximas 24 horas?

Solução:

A taxa de saída é de 1,2 saídas a cada 100 km por ano. Então, em 200 km a taxa será

  1,2  2 = 2,4 saídas/ano

Se cada dia tem 24 horas, um ano terá 365*24 = 8760 horas e

 = 2,4 / 8760 = 0,00027397 saídas/hora

A função de distribuição acumulada da distribuição exponencial é dada por

1  e x se x  0


P( X  x)  F ( x)  
0 se x  0



Logo,

-(0,00027397).24
P(X  24) = F(24) = 1 – e = 1 – 0,99345154 = 0,00654846

Portanto, a probabilidade de que a linha de transmissão não opere nas próximas 24 horas, é de 0,00654846 ou
0,6% aproximadamente. Então, corre-se um risco baixo de falta de energia
 56
3.4.2.1 Sequência de exercícios nº 9

01. Supondo que a variável aleatória X tenha distribuição exponencial com parâmetro = 3, determine:

a) P(X ≤ 0) Resposta: 0
b) P(X ≥ 3) Resposta: 0,00012
c) P(X ≤ 2) Resposta: 0,99752
d) P(2<X<3) Resposta: 0,00236

02. Supondo que a variável aleatória X tenha distribuição exponencial com parâmetro = 1/5, determine:

a) P(X > 5) Resposta: 0,3679

b) P(X > 15) Resposta: 0,0489
c) P(X >20) Resposta: 0,0183

03. As contagens registradas por um contador de gêiser segue a distribuição de Poisson, com média de duas
contagens por minuto.

a) Qual é a probabilidade de que seja contado nenhum gêiser em um intervalo de 30segundos? Resposta 0,3679
b) Qual é a probabilidade de que a primeira contagem ocorra em 10 segundos ou menos? Resposta 0,2835
c) Qual é a probabilidade de que a primeira contagem ocorra entre 10 e 30 segundos? Resposta 0,3487

04. Um robô completa uma operação de soldagem em um automóvel, com uma taxa média de 12 soldagens por hora.
O tempo para completar uma operação de soldagem é definido a partir do momento do início do procedimento de
soldagem até o início do próximo procedimento. A variável aleatória X representa o tempo para completar uma
operação de soldagem. Qual é a probabilidade de que uma operação completa de soldagem requeira:

a) mais de 6 minutos? Resposta: 0,3012

b) 8 minutos ou menos? Resposta: 0,7981

05. O tempo entre as chamadas para uma loja de suprimento de encanamentos tem uma média de 15 minutos. Qual
é a probabilidade de que a próxima chamada chegue:
a) dentro de 5 minutos? Resposta: 0,2835
b) dentro de 10 minutos? Resposta: 0,4866
c) entre 5 e de 10 minutos? Resposta: 0,2031

2.4.3 Distribuição Normal

A distribuição normal corresponde a mais importante distribuição de probabilidade de variáveis aleatórias

contínuas, devido à sua enorme aplicação nos mais variados campos de conhecimento. Variáveis como peso, altura,
volume de leite produzido, entre outras, são pressupostas como obedecendo a distribuição normal.
 57
As razões do seu emprego extensivo incluem, é claro, uma motivação empírica, mas também uma certa
comodidade matemática, já que a distribuição probabilística de varias funções de variáveis aleatórias normalmente
distribuídas, são facilmente derivadas da mesma, como a distribuição t de Student e a distribuição F de Snedecor.
Uma v.a. X tem distribuição normal se sua função densidade de probabilidade é dada por:

μ 
 1  xσ
2
1 
f (x)  e 2 
,   x   
σ 2π
em que:
 = 3,1416...
 e  são, respectivamente, a média e a variância populacionais da variável aleatória X.

Trata-se de um modelo que procura explicar o comportamento de uma variável aleatória contínua que pode
variar desde  a , sem explicar as causas desse comportamento. Por isso trata-se de um modelo não-determinístico
ou probabilístico.
Quando se deseja especificar que uma variável aleatória X segue uma distribuição normal com média  e
variância 2, pode-se utilizar a seguinte notação: X ~ N (, 2).
O conceito de densidade, visto na elaboração de histogramas, onde a obtenção de frequências relativas podia
ser feita a partir do cálculo de áreas, também pode ser usado aqui, pela elaboração de modelos nos quais
probabilidades possam ser obtidas também mediante ao cálculo de áreas. Para ilustrar a ideia, imagine-se, de um
ponto de vista estritamente teórico, que fosse possível conhecer todos os elementos de uma população infinita. Além
disso, uma variável aleatória contínua é utilizada para descrever os elementos da população. Conhecendo-se todos os
elementos da população, um histograma poderia ser construído para representar a distribuição de frequência relativa
dessa variável (Figura 2.9).

Figura 2.9 – Histograma hipotético referente a uma população infinita, utilizando 11 classes.

Ligando os pontos médios superiores dos retângulos desse histograma, por linhas, o polígono de frequências
fica:

Figura 2.10 – Polígono de frequências hipotético referente a uma população infinita, utilizando 11 classes.
 58

Imagine agora que, a partir dessesHistograma de elementos,

mesmos infinitos Amostra uma
aleatória 1
nova distribuição de frequências relativas
900
é utilizada, aumentando o número de classes, e diminuindo a amplitude de cada uma ( Figura 2.11)
800

700

600
Frequência

500

400

300

200

100

0
-3,6 -2,4 -1,2 0,0 1,2 2,4 3,6 4,8
Figura 2.11 – Histograma hipotético referente a uma população
Amostrainfinita,
aleatóriautilizando
1 33 classes.

Histograma de Amostra aleatória 1

Ligando os pontos médios superiores dos retângulos desseNormal
histograma por linhas, o polígono de frequências
900
Média -0,002177
fica: DesvPad 1,008
800 N 10000

700

600
Frequência

500

400

300

200

100

0
-3,6 -2,4 -1,2 0,0 1,2 2,4 3,6 4,8
Figura 2.12 – Polígono de frequências hipotético referente a uma população infinita, utilizando 33 classes.
Amostra aleatória 1

Como são infinitos elementos, cada classe nunca fica vazia. Prosseguindo nessa tendência, ou seja, fazendo o
número de classes tender ao infinito, e suas amplitudes tender a zero, será obtido, pela união dos pontos médios das
classes, um polígono de frequências correspondente a uma curva (Figura 2.13)

Figura 2.13. Polígono de frequências relativo a uma população infinita, utilizando infinitas classes.

Este tipo de enfoque motivou os estatísticos, desde o século XVIII, a desenvolver modelos (ou seja, funções),
entre eles a distribuição normal, para descrever populações infinitas, que relacionam os valores de uma variável
aleatória contínua com suas correspondentes densidades de frequência relativa. O enfoque frequentista de
probabilidade prega que, em populações infinitas as frequências relativas são chamadas de probabilidades, então, da
 59
mesma forma fala-se em densidade de probabilidade. Em vista disso, a função f(x) da Figura 2.13 acima, é chamada
de função densidade de probabilidade, ou simplesmente, função densidade.
A aparência do gráfico da função densidade de uma v.a. X normalmente distribuída está representada na Figura
2.14.

Figura 2.14 Aspecto da distribuição Normal

De maneira análoga ao que foi visto nos histogramas, a obtenção de frequências relativas (ou seja, de
probabilidades) é feita utilizando o cálculo de áreas em gráficos da função densidade de probabilidade.
A distribuição normal também é conhecida por curva normal ou curva de Gauss, e possui as seguintes
propriedades:

1) Ela é simétrica em relação a x = ;

2) Possui a forma campanular ou forma de sino;
3) As medidas de posição, ou seja, a média, a mediana e a moda confundem-se no mesmo ponto, e são todas
iguais a .
4) É definida simplesmente a partir dos parâmetros  e 2;
5) Possui dois pontos de inflexão correspondentes aos pontos x -  e x + ;
6) Assintótica em relação ao eixo das abscissas, ou seja, ela nunca intercepta o eixo X;
7) A área total sob a curva, como em qualquer função densidade de probabilidade, é igual a 1.

Já comentado anteriormente, a probabilidade de que uma variável aleatória contínua assuma exatamente um
certo valor é praticamente igual a zero e, portanto, nesse caso o enfoque mais apropriado é obter probabilidades de
que a variável pertença a classes ou intervalos. Também foi comentado que esse cálculo de probabilidades, para
variáveis quantitativas contínuas, é obtido através de áreas relativas a gráficos com funções densidades de
probabilidade.
Assim, cada área é equivalente à probabilidade de que a variável aleatória contínua X esteja contida em um
intervalo [a,b]. Teoricamente, esta probabilidade poderia ser obtida da seguinte maneira:

1  x  μ 2
b b   
e 2  σ  dx
1
P(a < X <b) =  f ( x) dx  
a aσ 2 π
 60
No caso da distribuição normal, essa integral não tem solução explícita, e por isso é necessário fazer o uso
de um procedimento alternativo, a chamada distribuição normal reduzida, como será visto no próximo tópico.

2.4.3.1 Distribuição normal reduzida

A distribuição normal com média  = 0 e variância 2 = 1 é conhecida como distribuição normal reduzida ou
padronizada. Uma variável aleatória com essa distribuição geralmente é simbolizada por Z.
Uma propriedade interessante de uma variável aleatória X que segue qualquer distribuição normal é a de que
ela pode ser transformada em uma variável Z, pela seguinte expressão:

x μ
z ,
σ
Diz-se, então, que Z é uma variável aleatória que segue a distribuição normal com média  = 0 e variância 2 =
1, ou seja, Z ~ N (0, 1).

Demonstração:

x  1 1 1
E( Z)     E(x  )  [E(X)  ]  [  ]  0
     
x  1 1 1 2
V( Z)     2 V(x  )  2 [V(X)  0]  2 [  0]  1
     

Assim, a função densidade de probabilidade da variável aleatória Z pode ser escrita da seguinte forma:

1
1  z2
f ( z)  e 2 ,    Z   ,
 2π

Como 2 = 1, então  = 1 e a função densidade de probabilidade fica:

1 2
1 
z
f ( z)  e 2 ,    Z  
2π

A probabilidade de que variável aleatória X assuma valores dentro de um intervalo ou classe [a, b] coincide com
a probabilidade da variável aleatória Z estar contida em um intervalo ou classe [c, d]. Dessa forma,

1 2
d d 1 z
P[a < X < b] = P [c < Z < d] =  f ( z ) dz   e 2 dz
c c 2π
 61
Essa integral tem solução explícita no intervalo [c, d], para vários valores de c e d. Usando métodos de
integração numérica, obtiveram-se alguns valores tabelados da distribuição normal padronizada ou reduzida.
A tabela 2.1 (da distribuição normal) dá as probabilidades de que a variável padronizada Z assuma valores entre
um determinado valor crítico -zc e 0 ou entre 0 e o valor crítico zC, ou seja, P(-zc < Z < 0) ou P(0 < Z < zc). Olhemos
para o número 1,9 na margem esquerda da tabela 2.1 e para o número 6 na margem superior da mesma. . No
cruzamento da linha do valor 1,9 com a coluna do valor 6, será achado o valor 0,4750, como mostra a figura a seguir:

Tabela 2.1 da distribuição normal reduzida.

Então, a tabela 2.1 está informando que a probabilidade de a variável padronizada Z assumir valores entre -1,96 e 0,
é 0,4750, assim como a probabilidade de z assumir valores entre 0 e 1,96, também é 0,4750, ou seja,

P(-1,96 < Z < 0) = P(1,96 < Z < 0) = 0,4750

Já, a tabela 2.2, dá as probabilidades de que a variável padronizada Z assuma valores maiores do que o valor
crítico zc, ou seja, P( Z > zc), ou a probabilidade de Z assumir valores menores do que o valor crítico - Zc, isto é, P( Z <
- zc). Olhemos para o número 1,9 na margem esquerda da tabela 2.2 e para o número 6 na margem superior da mesma.
No cruzamento da linha do valor 1,9 com a coluna do valor 6, será achado o valor 0,025, como mostra a figura a seguir:

Tabela 2.2 da distribuição normal reduzida.

Então, a tabela 2.2 está informando que a probabilidade de a variável padronizada Z assumir valores menores que -
1,96 é 0,025, assim como a probabilidade de z assumir valores maiores que 1,96, também é 0,025, ou seja,

P(Z < -1,96) = P(Z < 1,96) = 0,0250

 62
Tabela 2.1 - Distribuição normal - probabilidade de o valor de Z padronizado estar entre 0 e o valor tabulado nas margens

╔════╦═══════════════════════════════════════════════════════════════════════╗
║ Z ║ 0 1 2 3 4 5 6 7 8 9 ║
╠════╬═══════════════════════════════════════════════════════════════════════╣
║0,0 ║0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359 ║
║0,1 ║0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753 ║
║0,2 ║0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141 ║
║0,3 ║0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517 ║
║0,4 ║0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879 ║
║0,5 ║0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224 ║
║0,6 ║0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549 ║
║0,7 ║0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852 ║
║0,8 ║0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133 ║
║0,9 ║0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389 ║
║1,0 ║0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621 ║
║1,1 ║0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830 ║
║1,2 ║0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015 ║
║1,3 ║0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177 ║
║1,4 ║0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319 ║
║1,5 ║0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441 ║
║1,6 ║0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545 ║
║1,7 ║0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633 ║
║1,8 ║0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706 ║
║1,9 ║0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767 ║
║2,0 ║0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817 ║
║2,1 ║0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857 ║
║2,2 ║0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890 ║
║2,3 ║0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916 ║
║2,4 ║0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936 ║
║2,5 ║0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952 ║
║2,6 ║0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964 ║
║2,7 ║0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974 ║
║2,8 ║0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981 ║
║2,9 ║0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986 ║
║3,0 ║0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990 ║
║3,1 ║0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993 ║
║3,2 ║0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995 ║
║3,3 ║0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997 ║
║3,4 ║0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998 ║
║3,5 ║0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 ║
║3,6 ║0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 ║
║3,7 ║0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 ║
║3,8 ║0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 ║
║3,9 ║0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0.5000 0.5000 0.5000 ║
╚════╩════════════════════════════════════════════════════════════════════════
 63
Tabela 2.2 - Distribuição normal - probabilidade do valor de Z padronizado ser maior que o valor tabulado nas margens (Zc), ou
probabilidade do valor Z ser menor que os valores negativos das margens (-Zc).

╔════╦═════════════════════════════════════════════════════════════════════════╗
║ Z ║ 0 1 2 3 4 5 6 7 8 9 ║
╠════╬═════════════════════════════════════════════════════════════════════════╣
║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 ║
╚════╩═════════════════════════════════════════════════════════════════════════╝
 64
Exemplos

( 1 ) Suponha que os comprimentos de parafusos de computadores, fabricados por determinada indústria seguem a
distribuição normal com média de 200mm e desvio padrão de 20mm. Qual é a probabilidade de que um parafuso
escolhido ao acaso apresente
a) comprimento de 200 a 225mm?
b) comprimento superior a 225mm?
c) comprimento igual ou superior a 175 e igual ou inferior a 225mm.?
d) comprimento superior a 175mm?

Solução:
a) P(200  x  225) = ?
Calcula-se em primeiro lugar o valor da variável padronizada Z., ou seja:

x μ 200  200
Z Z Z=0
σ 20

x μ 225  200
Z Z  Z = 1,25
σ 20

Pretende-se calcular a probabilidade esta representada pela área escura do gráfico a seguir:

Na parte superior da Tabela 2.1, verifica-se que o gráfico da direita é bem parecido com este, pois a área escura
do mesmo representa esse tipo deprobabilidade, ou seja, P(0  Z  z c ) .
Na tabela acha-se o valor de Z da seguinte forma: Os dígitos antes da vírgula e o primeiro após a mesma,
deverão ser procurados na primeira coluna da esquerda. Já, o segundo dígito após a vírgula deverá ser procurado na
linha superior da tabela.
No exemplo foi achado Z = 1,25, então procura-se 1,2 na primeira coluna da esquerda e 5 na linha superior da
tabela 1.2. O valor da probabilidade que se quer achar, está exatamente no cruzamento da linha que em que ocorre o
valor 1,2 com a coluna onde tem-se o número 5, como mostra o esquema abaixo.
 65

Assim, P ( 200  X  225)  P (0  Z  1,25) = 0,3944 ou 39,44%.

Conclui-se, portanto que, a probabilidade de um parafuso apresentar de 200 a 225mg, é de 0.3944 ou 39,44%.
Isto quer dizer que a área sob a curva normal equivale a 0,3944 ou 39,44% da área total como mostra a figura a seguir:

b) P(X > 225) =?

x μ 225  200
Z Z  Z = 1,25
σ 20

A probabilidade procurada é P(X > 225) = P(Z > 1,25), ou seja, é do tipo P(Z > zc), como mostra a figura a
seguir:

O gráfico da direita, da tabela 2.2 (distribuição normal), é bem parecido com o gráfico acima, portanto esta deverá ser
a tabela a ser utilizada. No corpo dessa tabela ocorre o valor 0,1056 para Z = 1,25 como mostra o esquema a seguir:
 66

Logo, P(X > 225) = P(Z > 1,25) = 0,1056,

Conclui-se, portanto, que a probabilidade de um parafuso apresentar comprimento maior que 225mm é de
0.1056 ou 10,56%. Isto quer dizer que a área sob a curva normal equivale a 0,1056 ou 10,56% da área total como
mostra a figura a seguir:

c) P(175  X  225) = ?

Em primeiro lugar devem ser achados os valores da variável aleatória Z.

x μ 175 200
Z Z   Z = -1,25.
σ 20

xμ 225  200

Z Z  Z = 1,25
σ 20

Então, a probabilidade a ser calculada é

P(175  X  225) = P(-1,25  Z  1,25),

Porém, as tabelas 2.1 e 2.2não fornecem esse valor diretamente.

O segredo para resolver esse problema está em decompor esta probabilidade em outras duas, como mostra a
figura a seguir:
 67
Percebe-se facilmente que a junção ou a soma das áreas escuras dos gráficos “b” e “c”, resulta na área
escura do gráfico “a”, isto é,

P (-1,25  Z  1,25) = P (-1,25  Z  0) + P (0  Z  1,25)

Os gráficos b e c são encontrados na parte superior Tabela 2.1, portanto, por meio desta, ache
P (-1,25  Z  0) e P (0  Z  1,25)

de acordo com o esquema a seguir:

Logo,

P (-1,25  Z  1,25) = P (-1,25  Z  0) + P (0  Z  1,25) = 0,3944 + 0,3944 = 0,7888

Dessa forma, a probabilidade de um parafuso apresentar comprimento igual ou superior a 175mm e inferior ou
igual a 225mm é de 0,7888 ou 78,88%, o que é semelhante a dizer que a área sob a curva normal equivale a 0,7888
ou 78,88% da área total como mostra a figura a seguir:

d) P (X > 175) =?

O primeiro passo é calcular o valor de Z.

xμ 175  200

Z Z  Z = -1,25,
σ 20
logo,
 68
P (X > 175) = P (Z > –1,25)

As tabelas 2.1 e 2.2 não apresentam esta probabilidade de imediato. Porém, se o leitor lembrar que a Tabela
2.2 apresenta, a probabilidade de Z ser menor do que um determinado valor crítico negativo zc, ou seja

P(Z<-zc) = P(Z  – 1,25),

e que a área máxima sob a curva normal é igual a 1 ou 100%, tem-se que P(Z  1,25)  1 - P(Z  1,25) ,como mostra

o a figura a seguir:

Observa-se que subtraindo a área escura do gráfico “b” da área total sob a curva normal do gráfico “a”, obtém-
se a área escura do gráfico “c”. Assim,

P(X > 175) = P(Z > – 1,25) = 1 – P(Z  – 1,25)

Agora, a probabilidade procurada é P(Z  – 1,25), a qual representa a área escura do gráfico a seguir:

O gráfico da esquerda da Tabela 2.2 fornece esse tipo de probabilidade diretamente. No corpo dessa tabela ocorre o
valor 0,1056 para Z = 1,25 como mostra o esquema a seguir:

Dessa forma,
 69

P(X > 175) = P(Z > – 1,25) = 1 – P(Z  – 1,25) = 1 - 0,1056 = 0,8944

Portanto, a probabilidade de que um parafuso apresente comprimento maior do que 175mm é igual a 0,8944
ou 89,44%. Isto equivale a dizer que a área sob a curva normal é igual a 0,8944 ou 89,44% da área total como mostra
a figura a seguir:

( 2 ) Suponha que as medidas da corrente em um pedaço de fio elétrico sigam a distribuição normal, com média de 10
miliampères e uma variância de 4 (miliampères)2. Um engenheiro, afim de fazer um estudo sobre a intensidade de
corrente que passa por tal fio, tomará vária medidas. Qual é a probabilidade de

a) a medida exceder a 13 miliampères?

b) estar entre 9 e 11 miliampères?

Solução:

a) P(X > 13) ?

 = 10; = 4=2

x 13  10
Z   1,50
 2

Assim, a probabilidade procurada é P(X > 13) = P(Z > 1,50), como mostra a figura a seguir:
 70
O gráfico da direita, da tabela 2.2, da distribuição normal, é bem parecido com o gráfico acima, portanto esta deverá
ser a tabela a ser utilizada. No corpo dessa tabela ocorre o valor 0,0668 para
Z = 1,50 como mostra o esquema a seguir:

P(X > 13) = P(Z > 1,50) = 0,0668 ou 6,68%

Portanto, a probabilidade de a medida da intensidade de corrente exceder a 13 miliampères, é de 0,0668. Isto equivale
a dizer que a área sob a curva normal é igual a 0,0668 ou 6,68% da área total como mostra a figura a seguir:

b) P(9  X  11) = ?

Em primeiro lugar devem ser achados os valores da variável aleatória Z.

xμ 9  10
Z Z  Z = -0,50.
σ 2

xμ 11 10
Z Z   Z = 0,50
σ 2

Então, a probabilidade a ser calculada é

P(9  X  11) = P(-0,50  Z  0,50),

Porém, as tabelas 2.1 e 2.2 não fornecem esse valor diretamente.

O segredo para resolver esse problema está em decompor esta probabilidade em outras duas, como mostra a
figura a seguir:
 71

Percebe-se facilmente que a junção ou soma das áreas escuras dos gráficos “b” e “c”, resulta na área escura
do gráfico “a”, isto é,

P (-0,50  Z  0,50) = P (-0,50  Z  0) + P (0  Z 0,50)

Os gráficos b e c são encontrados na parte superior Tabela 2.1, portanto, por meio desta, ache
P (-0,50  Z  0) e P (0  Z  0,50)
de acordo com o esquema a seguir:

Logo,

P (-0,50  Z  0,50) = P (-0,50  Z  0) + P (0  Z  0,50)

= 0,1915 + 0,1915 = 0,3830

Assim,

P (9  X  11) = P (-0,50  Z  0,50) = 0,3830

Portanto, a probabilidade de a medida de corrente elétrica estar entre 9 e 11 miliampères, é de 0,3830. Isto equivale a
dizer que a área sob a curva normal é igual a 0,3830 ou 38,30% da área total como mostra a figura a seguir
 72

3.4.3.2 Sequência de exercícios nº 10

1. Determinada companhia de energia elétrica instalou 2000 lâmpadas em uma cidade. Os tempos de vida dessas
lâmpadas seguem a distribuição normal média de 1000 horas e desvio padrão de 200 horas. Quantas lâmpadas
poderão queimar:
a) nas primeiras 700 horas? Resposta: 134 lâmpadas
b) com mais de 700 horas? Resposta: 1866 lâmpadas
c) entre 700 e 1300 horas? Resposta: 1733 lâmpadas

02. A resistência à compressão de amostras de cimento pode ser modelada por uma distribuição normal, com média
de 6000 kg/cm2 e um desvio padrão de 100 kg/cm2. Um corpo de prova é coletado aleatoriamente. Qual é a
probabilidade de que sua resistência à compressão seja:
a) menor que 6250 kg/cm2? Resposta: 0,9938
b) maior ou igual a 5800 kg/cm2 e menor ou igual a 6250 kg/cm 2? Resposta: 0,1359

03. A largura de cabos de ferramentas utilizadas na fabricação de semicondutores é suposta seguir a distribuição
normal, com média de 0,5 µm (micrômetro) e desvio padrão de 0,05 µm. Um cabo é escolhido aleatoriamente. Qual é
a probabilidade de que sua largura:
a) seja maior do que 0,6 µm? Resposta: 0,0082
b) esteja entre 0,47 µm e 0,63 µm? Resposta: 0,7211

04. O diâmetro do eixo de um drive óptico de armazenagem é suposto seguir a distribuição normal, com média de
0,2508 polegada e desvio padrão de 0,0005 polegada. As especificações do eixo são de que este deve ter um diâmetro
entre 0,2485 e 0,2515 polegada. Um drive óptico é escolhido aleatoriamente da linha de produção. Qual é a
probabilidade de que o diâmetro de seu eixo tenha medida que atenda às especificações? Resposta: 0,9192

05. A vida útil de um semicondutor a uma potência constante é normalmente distribuída, com média de 7000 horas e
desvio padrão de 600 horas. Qual é a probabilidade de um semicondutor falhar antes de 500 horas de uso? Resposta:
0,0004
 73

2.4.4 Aproximação normal à distribuição binomial

O cálculo das probabilidades em algumas distribuições binomiais pode ser extremamente laborioso, onde a
variável aleatória pode assumir muitos valores. Por exemplo, considere n = 135 e p = 0,6. Qual a probabilidade de que
ocorra, X  98? Por esta determinação ter-se-ia que calcular pela fórmula da binomial P[X = x] = Cn,x. px .q(n-x) as
probabilidades de ocorrer X = 98, X = 99, . . , X = 135, para depois somá-las, ou seja,

P[X  98] = C135, 98 0,698 .0,437 + C135, 99 0,699 .0,436 + . . . + C135, 135 0,6135 .0,40

Isso seria laborioso, pois teriam que ser calculadas 38 probabilidades.

Considere que a variável aleatória X possa, apesar de ser discreta, ser razoavelmente bem descrita por uma
distribuição normal com média

 = np
e desvio padrão

= npq .

Se np  5 e nq = n(1-p)  5, esse cálculo se torna mais simples, por meio da variável Z dada por

x  np
Z
npq

em que p é a probabilidade de sucesso do evento em questão e q = 1 –p é a probabilidade de insucesso.

Como trata-se de uma aproximação, alguns autores propõem a correção de continuidade

Correção de Continuidade Quando se utiliza a distribuição normal (que é contínua) como aproximação da distribuição
binomial (discreta), aplica-se uma correção de continuidade a um número discreto x na distribuição binomial,
representando o valor único de x pelo intervalo de x- 0,5 a x + 0,5.

Desta forma, a variável Z fica

( x  0,5)  np
Z
npq

Algumas sugestões práticas que auxiliarão o leitor no uso da correção de continuidade.

1 Ao utilizar a distribuição normal como aproximação da binomial faça sempre a correção de continuidade.
 74
2. Ao aplicar a correção de continuidade, identifique primeiro o número discreto x de importância para o problema da
distribuição binomial. Por exemplo, suponha que se deseja a probabilidade de que ocorram ao menos 64 homens
em 100 pessoas selecionadas aleatoriamente. O número inteiro discreto de interesse é 64.
3. Determine se a probabilidade desejada refere-se a pelo menos x, no máximo x, mais de x, menos de x, ou
exatamente x, para saber se será utilizado x - 0,5, ou x + 0,5, ou ambos, como mostra o quadro a seguir:

Probabilidade Correção de continuidade

Menos de x x - 0,5
Pelo menos x x - 0,5
No máximo x x + 0,5
Mais de x x + 0,5
Exatamente x x - 0,5 e x + 0,5

Para o exemplo tem-se

Probabilidade Correção de continuidade

Menos de 64 64 - 0,5 = 63,5
Pelo menos 64 64 - 0,5 = 63,5
No máximo 64 64 + 0,5 = 64,5
Mais de 64 64 + 0,5 = 64,5
Exatamente 64 63 + 0,5 e 64 - 0,5

Exemplo:

Foi realizada uma pesquisa de opinião pública junto a uma comunidade com relação à ampliação de um hospital
particular, mesmo que essa ampliação pudesse ter consequências tal como o aumento de leitos vazios na maior parte
do tempo. A porcentagem de adultos dessa comunidade a favor da ampliação do hospital foi de apenas 5%. Qual é a
probabilidade de que, em 180, o número de pessoas favoráveis à ampliação seja

a) menos de 9
b) pelo menos 9
c) exatamente 9

Solução:

n = 180,  = np = 180 x 0,05= 9 >5,

nq = n(1-p) = 180 x 0,95 = 171 > 5

σ  npq  180 x 0,05 x 0,95  2,9240 ,

Já que ambos, np e nq, são maiores do que 5, pode ser aplicada a aproximação normal à distribuição binomial.
 75
a) P (X < 9)?
( x  0,5)  np (9  0,5)  9
Z   0,17
npq 2,9240

Assim, a probabilidade procurada é P(X < 9) = P(Z < -0,17), ou seja, é do tipo P(Z < -zc). A tabela 2.2, dá esse
tipo de probabilidade. No corpo dessa tabela ocorre o valor 0,4325 para Z = -0,17 como mostra o esquema a seguir:

Dessa forma,

P (X < 9) = P (Z < -0,17) = 0,4325

Portanto, a probabilidade de que, em 180, o número de pessoas favoráveis à ampliação do hospital seja menos
de 9, é 0,4325 ou 43,25%.

b) P (X  9)?

( x  0,5)  np (9  0,5)  9
Z   0,17
npq 2,9240

Assim, a probabilidade a ser calculada é P(X  9) = P(Z  -0,17). As tabelas 2.1 e 2.2 não apresentam esta
probabilidade diretamente. Porém, se o leitor lembrar que em (a) se achou:

P (X < 9) = P (Z < -0,17) = 0,4325

e que a área máxima sob a curva normal é igual a 1 ou 100%, tem-se que

P (X  9)  P(Z  -0,17)  1 - P(Z  - 0,17) = 1 - 0,4325 = 0,5675

Portanto, a probabilidade de que, em 180 pessoas, o número de favoráveis à ampliação do hospital seja pelo
menos 9, é 0,5675 ou 56,75%

c) P(X = 9)?
 76
( x  0,5)  np (9  0,5)  9
Z   0,17
npq 2,9240

( x  0,5)  np (9  0,5)  9
Z   0,17
npq 2,9240

Assim, a probabilidade a ser calculada é P(X = 9) = P(-0,17  Z  0,17). As tabelas 2.1 e 2.2 não apresentam
esta probabilidade diretamente. Porém, se considerarmos P(-0,17 Z  0,17) = P (-0,17  Z  0 ) + P (0  Z  0,17) e
que a tabela 2.1 fornece P(-0,17  Z  0) e P (0  Z  0,17), conforme o quadro a seguir

tem-se

P(-0,17 Z  0,17) = P(-0,17 Z  0) + P (0  Z  0,17)

= 0,0675 + 0,0675 = 0,135
Logo,
P(X = 9) = P(-0,17 Z  0,17) = 0,135

Portanto, a probabilidade de que, em 180 pessoas, o número de favoráveis à ampliação do hospital seja
exatamente 9, é 0,135 ou 13,5%.

( 2 ) Um sistema é formado por 100 componentes, cada um dos quais com confiabilidade de 0,95 (probabilidade de
funcionamento do componente durante um certo período de tempo). Se esses componentes funcionam
independentemente um do outro e se o sistema completo funciona adequadamente quando pelo menos 80
componentes funcionam, qual a confiabilidade do sistema?

Solução:

Seja X: número de componentes que funcionam

X segue a distribuição binomial com parâmetros n = 100 e p =0,95, ou seja, X~b (100, 0,95).

A confiabilidade do sistema será dada pela probabilidade de que funcionem pelo menos 80 componentes , ou seja,

P( X  80)  P(80  x  100)

 77
Se fossemos calcular tal probabilidade, utilizando a distribuição binomial, seria muito trabalhoso. Assim, poderá ser
utilizada a aproximação da binomial pela normal se as condições para tal forem obedecidas, ou seja,

  np  100  0,95  95 (np ≥5 primeira condição obedecida)

nq  (n1  p)  100  0,5  5 (nq ≥ 5 segunda condição obedecida)

  np(1  p)  100 0,95  0,5  2,18

( x  0,5)  np (80  0,5)  95

Z   7,11
np (1  p) 2,18

( x  0,5)  np (100  0,5)  95

Z   2,52
np(1  p) 2,18
Logo,

P(X  80)  P(80  X  100)  P(7,11  Z  2,52)

Porém, as tabelas 2.1 e 2.2 não fornecem esse valor diretamente.

O segredo para resolver esse problema está em decompor esta probabilidade em outras duas, como mostra a
figura a seguir:

Percebe-se facilmente que a junção ou soma das áreas escuras dos gráficos “b” e “c”, resulta na área escura
do gráfico “a”, isto é, P (-7,11  Z  2,52) = P (-7,11  Z  0) + P (0  Z  2,52). Os gráficos b e c são encontrados na
parte superior Tabela 2.1, portanto, por meio desta, ache, P (-7,11  Z  0) e P(0  Z  2,52)
O máximo valor de Z encontrado na tabela 2.1, é 3,99 e P(-3,99 ≤ Z ≤ 0) =0,5, como mostra a figura a seguir.

Isso ocorre para todos os valores acima de 3,9 ou abaixo de -3,99, logo, é correto escrever P ( 7,11  Z  0) = 0,5.
Para Z = 2,52 temos P(0  Z  2,52) = 0,4941.

Tabela 2.1 Distribuição normal reduzida

 78

Logo,

P(X  80)  P(80  X  100)  P(7,11  Z  2,52)  P(7,11  Z  0)  P(0  Z  2,52)

 0,5  0,4941  0,9941 ou 99,41%

Portanto, a confiabilidade do sistema é de 0,9941 ou 99,41%.

( 3 ) Suponha que X seja uma variável aleatória que representa o número de bits recebidos com erro em um canal
digital de comunicação e que a probabilidade de um bit ser recebido com erro é 0,00001. Se 16 milhões de bits forem
transmitidos, qual será a probabilidade de se ter mais de 150 bits com erro?

Solução:
P(X > 150) = ?

Esse é o típico caso em que poderia ser utilizada a distribuição binomial, pois existem dois resultados possíveis
em cada bit, ou seja, ou está, ou não está com erro e, ainda, os resultados dos bits são independentes entre si e se
quer calcular a probabilidade de x bits estarem com erro num total de n. Porém, se fosse utilizada a distribuição binomial
para calcular tal probabilidade, fatalmente seria trabalhoso. Portanto, uma saída será a de utilizar a aproximação normal
à distribuição binomial. Vejamos se as condições para esta aplicação são obedecidas:

np = 16000000x0,00001 = 160 (np ≥ 5 primeira condição obedecida)

n(1-p) = nq = 16000000.0,99999 = 15999840 (nq ≥ 5 segunda condição obedecida)

( x  0,5)  np (150  0,5)  160

Z   0,75
npq 16.000.000 0,00001 0,99999

Assim, a probabilidade procurada é:

P(X > 150) = P(Z > -0,75)

As tabelas 2.1 e 2.2 não apresentam esta probabilidade de imediato. Porém, se o leitor lembrar que a Tabela
2.2 apresenta a probabilidade de Z ser menor do que um determinado valor crítico negativo zc, ou seja
 79

P(Z<-zc) = P(Z  – 0,75),

e que a área máxima sob a curva normal é igual a 1 ou 100%, tem-se que

P(Z  - 0,75)  1 - P(Z  - 0,75) ,

como mostra o a figura a seguir:

O gráfico da direita na parte superior da Tabela 2.2 é semelhante ao gráfico (b). No corpo dessa tabela ocorre o valor
0,2266 para Z = -0,75 como mostra o esquema a seguir:

P(Z  - 0,75)  1 - P(Z  - 0,75) = 1 – 0,2226 = 0,7774

Portanto, a probabilidade de se ter mais de 150 erros em 160 milhões de bits, é 0,7774 ou 77,74%.

2.4.4.1 Sequência de exercícios nº 11

01 Cerca de 4,4% dos acidentes fatais com automóveis são causados por pneus defeituosos (com base em dados do
National Safety Coincil – Conselho Nacional de Segurança dos EUA). Se um estudo de segurança em uma rodovia
começa com a escolha aleatória de 750 casos de acidentes fatais com veículos motorizados, utilizando a Aproximação
normal à distribuição binomial estime a probabilidade de:

a) exatamente 35 deles terem sido causados por pneus defeituosos? R: 0,0672

b) menos de 35 deles terem sido causados por pneus defeituosos? R: 0,6037
c) pelo menos 35 deles terem sido causados por pneus defeituosos? R: 0,3936
d) no máximo 35 deles terem sido causados por pneus defeituosos? R: 0,6736
e) mais de 35 deles terem sido causados por pneus defeituosos? R: 0,3264
 80

02. Fazendo amostragem de um processo de produção cujos itens são 20% defeituosos, seleciona-se uma amostra
aleatória de 100 itens a cada hora em cada turno de produção. O número de defeituosos em uma amostra é denotado
por X. Qual é a probabilidade de que X seja

a) igual ou inferior a 15? R: 0,8708

b) no mínimo 15? R: 0,0838