P. 1
Estatística - Distribuições

Estatística - Distribuições

|Views: 1,336|Likes:
Published by Glauber Nojosa

More info:

Published by: Glauber Nojosa on Jan 20, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/16/2012

pdf

text

original

Sections

  • 1. Introdução
  • 2. Variável aleatória
  • 2.1 Definição e classificação
  • Variável aleatória
  • 2.2 Distribuição de probabilidade (caso discreto)
  • 2.3 Valor esperado e variância e suas propriedades
  • 3. Distribuição de probabilidade - Variáveis discretas
  • 3.1 Distribuição de Bernoulli
  • 3.2 Distribuição Binomial
  • 3.3 Distribuição de Poisson
  • Distribuição de Poisson
  • 4. Distribuição de probabilidade – Variável contínua
  • 4.1 Distribuição Uniforme
  • Distribuição Uniforme
  • 4.2 Distribuição Normal
  • Distribuição normal
  • 4.3 Aproximação Normal
  • 4.3.1 Aproximação Normal para Binomial
  • 4.3.2 Aproximação Normal para Poisson
  • 4.3.3 Aproximação Normal com correção de continuidade
  • 5 Exercícios resolvidos
  • 6 Exercícios propostos
  • 7 Bibliografia

UNIDADE 05

Distribuição de
Probabilidade















SUMÁRIO


1. Introdução ............................................................................................................................. 3

2. Variável aleatória .................................................................................................................. 3

2.1 Definição e classificação ............................................................................................... 3

2.2 Distribuição de probabilidade (caso discreto) ............................................................... 4

2.3 Valor esperado e variância e suas propriedades. ......................................................... 6

3. Distribuição de probabilidade - Variáveis discretas .............................................................. 9

3.1 Distribuição de Bernoulli .............................................................................................. 10

3.2 Distribuição Binomial ................................................................................................... 11

3.3 Distribuição de Poisson ............................................................................................... 18

4. Distribuição de probabilidade – Variável contínua ............................................................. 23

4.1 Distribuição Uniforme .................................................................................................. 27

4.2 Distribuição Normal ..................................................................................................... 30

4.3 Aproximação Normal ................................................................................................... 39

4.3.1 Aproximação Normal para Binomial .................................................................... 39

4.3.2 Aproximação Normal para Poisson ..................................................................... 41

4.3.3 Aproximação Normal com correção de continuidade ......................................... 42

5 Exercícios resolvidos ...................................................................................................... 43

6 Exercícios propostos ...................................................................................................... 50

7 Bibliografia ...................................................................................................................... 53




Estatística Básica − 3 − prof. José Aguinaldo

1. Introdução
No estudo sobre probabilidades, iniciamos com o conceito de experimento aleatório e espaço
amostral. O espaço amostral, como foi visto, consiste de todos os resultados possíveis de um
experimento aleatório. No caso de lançar uma moeda duas vezes, o espaço amostral seria
{KK, KC, CK, CC} com K indicando cara e C indicando coroa.
Em vez de trabalhar com o espaço amostral {KK, KC, CK, CC} podemos definir uma variável de
nosso interesse e associar cada resultado dessa variável à um resultado do espaço amostral.
Esta variável é denominada de variável aleatória e o conjunto formado pelos valores desta
variável e suas respectivas probabilidades é denominado de distribuição de probabilidade.

2. Variável aleatória
2.1 Definição e classificação

A variável aleatória é uma função que associa um valor numérico do conjunto de números reais
(ℜ) à cada ponto do espaço amostral (Ω). De uma forma menos formal, podemos dizer que a
variável aleatória é uma variável quantitativa, cujo resultado (valor) depende do acaso (fatores
aleatórios).


Variável aleatória
A variável aleatória é uma função que associa um número do conjunto de números reais (ℜ ℜℜ ℜ) à
cada resultado do espaço amostral (Ω ΩΩ Ω).
Portanto, a variável aleatória é uma variável quantitativa, cujo resultado depende de fatores
aleatórios. O fator aleatório usado aqui é para explicar que não podemos antecipar exatamente
o resultado que irá sair, pois isso dependerá do acaso.
Classificação do tipo das variáveis aleatórias
Uma variável aleatória pode ser classificada em discreta ou contínua e é comum denota-la
pelas letras latinas maiúsculas X, Y, Z, etc e os valores observados pelas letras minúsculas x,
y, z, etc







Estatística Básica − 4 − prof. José Aguinaldo
VARIÁVEL ALEATÓRIA
DISCRETA CONTÍNUA
Os possíveis resultados estão contidos em um
conjunto finito ou contável de resultados. Os
valores vêm de uma CONTAGEM.
Os possíveis valores estão contidos em um
conjunto infinito ou incontável de resultados.
Os valores vêm de uma MENSURaÇÃO

X = “número de filhos por família”
x = {0, 1, 2, ...}

X = “tempo de vida de lâmpadas”
x ∈ [0 ; ∞ )

Y = “número de peças com defeitos em uma
caixa com 20 peças”
y = {0, 1, 2, ... 20}

Y = “tempo diário de uso do computador”
y ∈ [0 ; 24]


2.2 Distribuição de probabilidade (caso discreto)
Conhecer quais os resultados possíveis de uma variável aleatória não é suficiente, também
devemos saber qual é a probabilidade de cada resultado ocorrer. O conjunto formado pelos
resultados da variável X e suas respectivas probabilidades é denominado de distribuição de
probabilidade. A distribuição de probabilidade nos permite verificar a “forma” como os valores
estão distribuídos (quais os mais comuns e os menos comuns). O gráfico abaixo mostra a
distribuição de probabilidade para a variável aleatória X = “número de e-mails que chegam
durante uma hora”. Pelo gráfico, nota-se que é mais provável chegar 2 ou 3 e-mails em uma
hora do que chegar 8 e-mails.

8 7 6 5 4 3 2 1 0
0,25
0,20
0,15
0,10
0,05
0,00
Número de e-mails
P
r
o
b
a
b
i
l
i
d
a
d
e










Estatística Básica − 5 − prof. José Aguinaldo
EXEMPLO 01 - Uma moeda honesta é lançada duas vezes para cima de forma
independente. Construa a distribuição de probabilidade da variável X = “número de caras”.
Solução ---------------------------------------------------------------------------------------------
A coluna 1 da tabela abaixo lista o espaço amostral, a coluna 2 lista os resultados possíveis da
variável X e a coluna 3 mostra a probabilidade de ocorrer cada resultado.


Espaço amostral
Ω ΩΩ Ω
x Probabilidade
KK 2 P(KK) = P(K)⋅P(K) = 0,50⋅0,50 = 0,25
KC 1 P(KC) = P(K)⋅P(C) = 0,50⋅0,50 = 0,25
CK 1 P(CK) = P(C)⋅P(K) = 0,50⋅0,50 = 0,25
CC 0 P(CC) = P(C)⋅P(C) = 0,50⋅0,50 = 0,25

Resumindo a tabela acima temos a seguinte distribuição de probabilidade de X:


Na distribuição de probabilidade, a correspondência entre os valores da variável aleatória X e
as respectivas probabilidades é definida pela função de probabilidade
1
que representamos por:
f(x) = P(x) = P(X = x)
onde f(x) = probabilidade de a variável X assumir o valor x

Característica da função de probabilidade f(x)

Uma função de probabilidade deve satisfazer:
i) f(x
i
) ≥ 0 A função f(x) é não-negativa
ii) 1 ) ( =

i
i
x f A soma das probabilidades deve ser igual a 1.

É bom destacar que a distribuição de probabilidade é uma distribuição teórica, pois reflete o
que teoricamente esperamos da variável aleatória e não os valores de fato observados no dia-
a-dia. Para ilustrar o que foi dita aqui, o gráfico abaixo mostra os resultados observados,
quando 15 pessoas lançaram a moeda duas vezes para cima. Note que as proporções

1
A função f(x) é denominada de função probabilidade, quando a variável for discreta. Caso a
variável seja contínua, a função f(x) é denominada de função densidade de probabilidade.

Estatística Básica − 6 − prof. José Aguinaldo
observadas de caras não são exatamente iguais às probabilidades que esperamos
teoricamente, mas as diferenças são pequenas.

2 1 0
10
8
6
4
2
0
Número de caras
F
r
e
q
u
ê
n
c
i
a
4 (27%)
9 (60%)
2 (13%)


EXEMPLO 02 - A tabela abaixo caracteriza uma distribuição de probabilidade? Justifique.
x 0 1 2 3
P(x) 0,25 0,50 0,25 0,25
2.3 Valor esperado e variância e suas propriedades.

Da mesma forma que sintetizamos os dados de uma amostra calculando a média, mediana,
variância, desvio-padrão, quartil etc, também podemos sintetizar uma distribuição de
probabilidade calculando essas mesmas medidas descritivas.

Suponha que a variável aleatória discreta X pode assumir os valores
N
x x x , , ,
2 1
L com as
respectivas probabilidades de ocorrência ) ( , ), ( ), (
2 1 N
x f x f x f L . Então:

• O valor esperado (ou valor médio) da variável X é:


= µ = ) ( ) (
i i
x f x X E

• A variância da variável X é:

( )

µ − = σ = ) ( ) (
2 2
i i
x f x X Var ou

2 2 2
) ( ) ( µ − = σ =
∑ i i
x f x X Var (fórmula alternativa)

• O desvio-padrão da variável X é:

) ( ) ( X Var X dp = σ =

Onde
) ( ) ( ) ( ) (
2 2 1 1 N N i i
x f x x f x x f x x f x + + + =

L

( ) ( ) ( ) ( ) ) ( ) ( ) ( ) (
2
2
2
2 1
2
1
2
N N i i
x f x x f x x f x x f x µ − + + µ − + µ − = µ −

L


Estatística Básica − 7 − prof. José Aguinaldo
) ( ) ( ) ( ) (
2
2
2
2 1
2
1
2
N N i i
x f x x f x x f x x f x + + + =

L Propriedades do valor esperado E(X) e
variância Var(X)

Sejam ‘a’ e ‘b’ duas constantes, então:
Valor Esperado Variância
b b E = ) (
b X aE b aX E ± = ± ) ( ) (
) ( ) ( ) ( Y E X E Y X E ± = ±
0 ) ( = b Var
) ( ) (
2
X Var a b aX Var = ±
Var(Y) Var(X) ) ( + = ±Y X Var se X, Y são independentes
2


EXEMPLO 03 - Com dados do último CENSO, a assistente social de um Centro de Saúde
constatou que 20% das famílias de uma região não tinham filhos, 25% tinham apenas um filho,
30% dois, 15% três, 5% quatro e 5% cinco filhos. Considerando a variável X = “número de
filhos por família”

x 0 1 2 3 4 5
f(x) 0,20 0,25 0,30 0,15 0,05 0,05

Pede-se:
a) A probabilidade de uma família tenha mais de dois filhos;
b) A probabilidade de uma família tenha pelo menos um filho;
c) P(X ≤ 1); P(1 ≤ X ≤ 3); P(X > 5)
d) Determine o valor esperado de filhos (ou seja, o número médio de filhos)
e) Determine o desvio-padrão de X.

Solução ------------------------------------------------------------------------------------------------------------------

a) P(“família ter mais de dois filhos”) = P(X > 2) = f(3) + f(4) + f(5) = 0,25 (ou 25%)
b)
c)

d) Valor Esperado
05 , 0 5 05 , 0 4 15 , 0 3 30 , 0 2 25 , 0 1 20 , 0 0 ) x ( f x
i
i i
⋅ + ⋅ + ⋅ + ⋅ + ⋅ + ⋅ = = µ

= 1,75 filho

O número médio do número de filhos por família é de 1,75 filhos (quase dois filhos)

e) Desvio-padrão da variável X

Primeiro vamos calcular a variância de X
( ) ( ) ( ) ( ) ( ) ( ) 05 , 0 75 , 1 5 05 , 0 75 , 1 4 15 , 0 75 , 1 3 30 , 0 75 , 1 2 25 , 0 75 , 1 1 20 , 0 75 , 1 0
) ( ) (
2 2 2 2 2 2
2 2
− + − + − + − + − + − =
µ − = σ
∑ i
i
i
x f x


= 0,6125 + 0,14063 + 0,01875 + 0,23438 + 0,25313 + 0,52813

= 1,788 filho
2
(lembre-se, a unidade da variância é sempre ao quadrado)

Agora vamos calcular o desvio-padrão da variável X

788 , 1 = = σ variância = 1,34 filho

2
Se X e Y não forem independentes, então Var(X ± Y) = Var(X) + Var(Y) ± 2⋅Cov(X,Y), onde Cov(X,Y)
é a covariância entre X e Y.

Estatística Básica − 8 − prof. José Aguinaldo

CÁLCULO ALTERNATIVO

De forma alternativa, podemos calcular o valor esperado e a variância usando uma tabela no
EXEMPLO 3.

x f(x) x⋅ ⋅⋅ ⋅f(x) x
2
.f(x)
0 0,20 0,00 0,00
1 0,25 0,25 0,25
2 0,30 0,60 1,20
3 0,15 0,45 1,35
4 0,05 0,20 0,80
5 0,05 0,25 1,25
Total 1 1,75 4,85

• Valor esperado:

= µ
i
i i
x f x ) ( = 1,75 filho
• Variância:
2
1
2 2
) ( µ − = σ

=
N
i
i i
x f x = 4,85 – (1,75)
2
= 1,788 (filhos)
2


• Desvio-padrão: 788 , 1 = = σ variância = 1,34 filho


EXEMPLO 04 - Sabendo que E(X) = 10 e Var(X) = 5 e usando as propriedades do valor
esperado e variância para calcular E(Y), Var(Y) e dp(Y) nas situações abaixo:
a) Y = 3X + 20
b) Y = 5⋅(X – 4) + 20.
c) Y = 5⋅(X – 1/5) + 2X + 10
d) Y = 5⋅(2 – X) – 4.

Solução ------------------------------ -----------------------------------------------------------------------------------

a) Y = 3X + 20

E(Y) 20 ) X ( E 3 ) 20 ( E ) X 3 ( E ) 20 X 3 ( E + ⋅ = + = + = 50 20 10 3 = + ⋅ =
Var(Y) 45 5 9 0 ) X ( Var 3 ) 20 ( Var ) X 3 ( Var ) 20 X 3 ( Var
2
= ⋅ = + ⋅ = + = + =
dp(X) 71 , 6 45 = =

Agora resolvam a ‘ b’, ‘c’, e ‘d’

EXEMPLO 05 - Uma peça deverá ser embalada em uma caixa. A peça tem peso médio de
25 kg e desvio-padrão de 3 kg e a caixa tem peso médio de 2 kg e desvio-padrão de 1 kg. Qual
será a média e o desvio-padrão da peça embalada?



OBS:
Para x = 2 e f(x) = 0,30 temos:
x⋅f(x) = 2⋅ 0,30 = 0,60 e
x
2
.f(x) = 2
2
⋅0,30 = 1,20

Estatística Básica − 9 − prof. José Aguinaldo
EXEMPLO 06 - Você tem a sua disposição três investimentos (A, B, C). A tabela a seguir
mostra o retorno anual (para cada 1000 dólares investidos) de cada um desses investimentos
sob condições econômicas distintas, bem como a probabilidade de que cada uma dessas
condições econômicas venha a ocorrer.

Retorno em dólares para cada 1000 dólares investidos em cada situação econômica
Situação
econômica
Probabilidade
Investimento
A
Investimento
B
Investimento
C
Recessão 0,20 -30 0 -30
Estagnação 0,50 40 52 76
Crescimento 0,30 60 20 0

a) Qual dos três investimentos você escolheria aplicar? Baseie sua resposta no valor
esperado dos investimentos.
b) Qual dos três investimentos é o de menor risco? Em investimentos, sabe-se que
quanto maior a variabilidade, maior será o risco do investimento.


3. Distribuição de probabilidade - Variáveis discretas
No estudo de um problema real do dia-a-dia, freqüentemente deparamos com situação onde
devemos tomar alguma decisão com o auxilio das probabilidades. Por exemplo, no estudo do
dimensionamento de um estacionamento, o número de carros que entram no estacionamento
por hora é uma variável de interesse e o conhecimento da distribuição de probabilidade dessa
variável seria de grande auxílio.
O comportamento da variável de interesse pode ser descrito por uma expressão matemática,
denominada de modelo probabilístico, que associa as probabilidades à cada valor da variável
em estudo, permitindo assim, obter a sua distribuição de probabilidade. Com os modelos
probabilísticos podemos calcular a probabilidade de um resultado acontecer sem ter que
coletar previamente os dados.
Há uma variedade de modelos probabilísticos, tanto para as variáveis aleatórias discretas,
quanto para as variáveis aleatórias contínuas. Alguns desses modelos probabilísticos estão
citados logo abaixo:
Modelos para variável discretas Modelos para variáveis contínuas
Distribuição de Bernoulli;
Distribuição Binomial;
Distribuição de Poisson;
Distribuição Geométrica;
Distribuição Hipergeométrica, etc.
Distribuição Uniforme;
Distribuição Normal;
Distribuição Exponencial;
Distribuição Lognormal;
Distribuição Qui-quadrado, etc.





Estatística Básica − 10 − prof. José Aguinaldo
3.1 Distribuição de Bernoulli

A distribuição de Bernoulli é o modelo mais simples para variável discreta e dele são originados
outros modelos probabilísticos para variável discreta. O modelo é indicado para situações em
que observamos ou não alguma característica de nosso interesse. Por exemplo:
• Lançar uma moeda: Sair cara ou não;
• Selecionar uma peça de um lote: É defeituosa ou não;
• Selecionar um aluno: Foi reprovado em matemática ou não;
• Tem computador em casa: Sim ou não;
• Paciente que fez cirurgia de alto risco: Sobreviveu ou não.

Os experimentos acima são denominados de Experimentos de Bernoulli.

Experimentos de Bernoulli – Experimento simples, onde somente dois resultados são possíveis
(sucesso ou fracasso).

A probabilidade de ocorrer um sucesso é denotada por p e a probabilidade de ocorrer um
fracasso é denotada por q. Então,
P(ocorrer sucesso) = P(S) = p P(ocorrer fracasso) = P(F) = q = 1 − p

Numa linha de produção, onde 40% das peças são defeituosas, uma peça é selecionada.
Sucesso (S) = Peça com defeito p = P(sucesso) = 0,40
Fracasso (F) = Peça não está com defeito q = P(Fracasso) = 0,60


















Estatística Básica − 11 − prof. José Aguinaldo
3.2 Distribuição Binomial

A distribuição Binomial (ou modelo Binomial) é uma generalização da distribuição de Bernoulli.
Com a distribuição Binomial podemos, por exemplo, calcular:

• a probabilidade de sair menos de 4 caras em 15 lançamentos de uma moeda honesta.
• a probabilidade de sair no máximo 3 peças com defeitos em um lote com 20 peças

Dstribuição Binomial

Quando são realizadas n ensaios independentes de Bernoulli e o nosso interesse recai sobre a
variável X = “Número de sucessos nos n ensaios”, então a função probabilidade de X é dada
por:
x n x
q p
x
n
x f

⋅ ⋅
|
|
¹
|

\
|
= ) ( com x = 0, 1, ..., n

Valor esperado e Variância: p n⋅ = = µ E(X) q p n ⋅ ⋅ = = σ Var(X)
2


Para representar uma variável x com distribuição Binomial com n tentativas e probabilidade de
sucesso p usamos a seguinte notação:

X ~ Binomial(n; p).

onde
• n = número de ensaios (tentativas ou realizações) independentes;
• x = o número de sucessos nos n ensaios;
• p e q = probabilidade de sucesso e fracasso (constante em cada ensaio);

! )! (
!
x x n
n
x
n
⋅ −
=
|
|
¹
|

\
|

• n! = n⋅(n-1)⋅(n-2)⋅…⋅1 (lê-se n fatorial)

EXEMPLO 07 - Resolva os fatoriais e a combinação a seguir
a) 5!
b) 0!
c)
! 38
! 40

d)
|
|
¹
|

\
|
=
8
50
50
8
C

Solução -------------------------------------------------------------------------------------------------------------------

a) 120 1 2 3 4 5 ! 5 = ⋅ ⋅ ⋅ ⋅ = 5! (lê-se 5 fatorial)
b) 1 ! 0 = (por definição)
c) 1560 39 40
! 38
! 38 39 40
! 38
! 40
= ⋅ =
⋅ ⋅
=
d) =
⋅ ⋅
=
⋅ ⋅ ⋅
⋅ ⋅ ⋅
=

=

=
|
|
¹
|

\
|
6
48 49 50
! 47 ) 1 2 3 (
! 47 48 49 50
! 47 ! 3
! 50
)! 3 50 ( ! 3
! 50
3
50
19600




é o número de ocorrências de x sucessos em n ensaios. Isto é, uma
combinação de x sucessos em n tentativas.

Estatística Básica − 12 − prof. José Aguinaldo
Critérios para saber se a distribuição Binomial é adequada

i) Os n ensaios são independentes. Ou seja, o resultado de um ensaio não tem efeito no
resultado do outro.
ii) Cada tentativa tem apenas dois resultados, denotados por sucesso (S) ou fracasso (F).
iii) A probabilidade p de sucesso permanece constante em todas as tentativas.

Para entender os critérios acima, veja o exemplo de selecionar uma amostra de 4 peças de
uma caixa com 20 peças, onde há 8 peças com defeito. Será que podemos usar a distribuição
Binomial para a variável X = “número de peças com defeito na amostra”?

Caso a retirada fosse feita com reposição, a probabilidade de a peça ser defeituosa seria
sempre a mesma em cada retirada (p = 8/20 = 0,40), portanto, neste caso, podemos usar a
distribuição Binomial. Por outro lado, se a retirada for feita sem reposição, a probabilidade seria
diferente em cada retirada, já que o total de peças na caixa não seria o mesmo em cada
retirada. Neste caso, portanto, não poderíamos usar a distribuição Binomial.

EXEMPLO 08 - Em cada situação abaixo, identifique o número de ensaios, o sucesso e a
probabilidade de sucesso e de fracasso.
i) Sabe-se que 40% dos clientes que entram em uma loja fazem algum tipo de compras.
Considerando os próximos 10 clientes que entram na loja, qual a probabilidade de
quatro o mais clientes realizarem alguma compra?
ii) A probabilidade de uma peça ser fabricada com defeito é 0,05. Um grande lote com
peças será rejeitado se uma amostra de 20 peças apresentarem três ou mais peças
defeituosas, qual a probabilidade do lote ser rejeitado?
iii) Sabe-se que 10% dos que reservam lugar em um vôo desistem do embarque. Se 120
clientes reservaram o vôo, qual a probabilidade de quatro ou mais clientes realizarem
alguma compra?

Solução -----------------------------------------------------------------------------------------------------------------

Situação Ensaio Sucesso p q
i) n = 10 clientes Cliente realizar compras 0,40 0,60
ii) n = 20 peças A peça está com defeito 0,05 0,95
iii) n = 120 clientes Cliente desistir do embarque 0,10 0,90


















Estatística Básica − 13 − prof. José Aguinaldo
EXEMPLO 09 - Uma máquina desajustada produz 40% de peças com defeito. Supondo que
4 peças foram selecionadas aleatoriamente das peças produzidas durante um dia de produção,
determine a probabilidade de:

a) Determine a probabilidade de exatamente três peças ser defeituosas
b) Determine a probabilidade de uma a três peças serem defeituosas
c) Determine a probabilidade de pelo menos uma peça ser defeituosa.
d) Qual o número médio de peças com defeito na amostra?
e) Qual é o desvio-padrão do número de peças com defeito?
f) Mostre a distribuição de probabilidade da variável X (ou seja, mostre uma tabela com
os valores possíveis de X e suas respectivas probabilidades)
g) Determine a probabilidade de no máximo uma peça não ser defeituosa.
h) Liste todos os resultados possíveis onde aparecem 3 peças com defeitos, calcule a
probabilidade de cada resultado, some-os e veja se o resultado coincidiu com o
resultado obtido na letra “a”.

Solução -------------------------------------------------------------------------------------------------------------------
X = “número de peças com defeitos” segue distribuição Binomial com n = 4 e p = 0,40

A função probabilidade de X é

x x x x
x x x
x f
4 4
60 , 0 40 , 0
)! 4 ( !
! 4
60 , 0 40 , 0
4
) (
− −

− ⋅
= ⋅ ⋅
|
|
¹
|

\
|
=

→ Veja que foram selecionadas 4 peças (n = 4) ao acaso, sendo que cada peça ou está com
defeito (sucesso) ou não (fracasso) e a probabilidade de a peça estar com defeito é
sempre igual a 0,40 (p = 0,40) para cada peça. Por isto, o distribuição Binomial é
adequado neste problema.

a) P(“três peças serem defeituosas”) =
3 4 3
60 , 0 40 , 0
)! 3 4 ( ! 3
! 4
) 3 (

⋅ ⋅
− ⋅
= f
60 , 0 064 , 0
1 6
24
60 , 0 40 , 0
! 1 ! 3
! 4
1 3
⋅ ⋅

= ⋅ ⋅

=
60 , 0 064 , 0 4 ∗ ∗ =
%) 36 , 15 ( 1536 , 0 0864 , 0 4 ou = ∗ =

15,36% das vezes em uma amostra de 4 peças, três
delas estarão com defeito.
b) P(“de uma a três peças serem defeituosas”) = P(1 ≤ X ≤ 3) = f(1) + f(2) + f(3)
= 0,3456 + 0,3456 + 0,1536
= 0,8448 (ou 84,48%)

1 4 1
60 , 0 40 , 0
)! 1 4 ( ! 1
! 4
) 1 (

⋅ ⋅
− ⋅
= f =
3 1
60 , 0 40 , 0
! 3 ! 1
! 4
⋅ ⋅

= 4∗0,064∗0,60 = 0,3456
2 4 2
60 , 0 40 , 0
)! 2 4 ( ! 2
! 4
) 2 (

⋅ ⋅
− ⋅
= f =
2 2
60 , 0 40 , 0
! 2 ! 2
! 4
⋅ ⋅

= 6∗0,16∗0,36 = 0,3456
3 4 3
60 , 0 40 , 0
)! 3 4 ( ! 3
! 4
) 3 (

⋅ ⋅
− ⋅
= f =
1 3
60 , 0 40 , 0
! 3 ! 1
! 4
⋅ ⋅

= 4∗0,064∗0,60 = 0,1536








Estatística Básica − 14 − prof. José Aguinaldo
c) P(“pelo menos uma peça defeituosa”) = P(X ≥ 1) = f(1) + f(2) + f(3) + f(4)
= 0,3456 + 0,3456 + 0,1536 + 0,0256
= 0,8704 (ou 87,04%)

As probabilidades f(1), f(2) e f(3) foram obtidas na letra ‘b’

4 4 4
60 , 0 40 , 0
)! 4 4 ( ! 4
! 4
) 4 (

⋅ ⋅
− ⋅
= f =
0 4
60 , 0 40 , 0
! 0 ! 4
! 4
⋅ ⋅

= = 1∗0,0256∗1 = 0,0256

ATENÇÃO: O mesmo resultado acima poderia ter sido obtido se aplicar a regra do “pelo
menos um ...” que vimos na unidade anterior.

P(“pelo menos um ...”) = 1 – P(“nenhum ...”)

P(“pelo menos uma peça defeituosa”) = 1 – P(“nenhuma peça estar defeituosa”)
= 1 – f(0)
= 1 – 0,1296 = 0,8704 (ou 87,04%)

0 4 0
60 , 0 40 , 0
)! 0 4 ( ! 0
! 4
) 0 (

⋅ ⋅
− ⋅
= f =
4 0
60 , 0 40 , 0
! 4 ! 0
! 4
⋅ ⋅

= = 1∗1∗0,1296 = 0,1296


Resultados interessantes (usando a regra do complemento)
P(X ≥ ≥≥ ≥ a) = 1 – P(X < a) P(X > a) = 1 – P(X ≤ a)


d) Número médio (ou número esperado) de peças com defeito E(X) = µ = n∗p
µ = n∗p = 4∗0,40 = 1,6 peça (quase duas) com defeito em média


e) Desvio-padrão do número de peças com defeito ) ( X Var = σ
) ( X Var = σ = 98 , 0 60 , 0 40 , 0 4 = ∗ ∗ = ∗ ∗ q p n peça com defeito


f) Distribuição de probabilidade da variável X

x 0 1 2 3 4
f(x) 0,1296 0,3456 0,3456 0,1536 0,0256

f(0) obtido da letra ‘c’ f(1), f(2), f(3) e f(4) foram obtidos da letra ‘b’

4 3 2 1 0
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
x
f
(
x
)





Estatística Básica − 15 − prof. José Aguinaldo
g) P(“de no máximo uma peça não ser defeituosa”) = ?

Veja que agora estamos trabalhando com número de peça não defeituosas. Até agora
trabalhamos com o número de peças defeituosas, por isto usamos a probabilidade de
sucesso igual a p = 0,40. No entanto, para resolver a letra ‘g’ temos que usar como
probabilidade de sucesso o valor p = 0,60, que é a probabilidade de a peça não ser
defeituosa
3
.

P(“de no máximo uma peça não ser defeituosa”) = P(X ≤ 1) = f(0) + f(1)
= 0,0256 + 0,1536
= 0,1792 (ou 17,92%)

0 4 0
40 , 0 60 , 0
)! 0 4 ( ! 0
! 4
) 0 (

⋅ ⋅
− ⋅
= f =
4 0
40 , 0 60 , 0
! 4 ! 0
! 4
⋅ ⋅

= 1∗1∗0,16 = 0,0256
1 4 1
40 , 0 60 , 0
)! 1 4 ( ! 1
! 4
) 1 (

⋅ ⋅
− ⋅
= f =
3 1
40 , 0 60 , 0
! 3 ! 1
! 4
⋅ ⋅

= 4∗0,60∗0,064 = 0,1536

h) Aparecer 3 peças com defeito em 4 peças

Vamos chamar de S = sucesso = “peça defeituosa” F = fracasso = “peça não defeituosa”

Diferentes formas
de aparecer três
peças defeituosas
Probabilidade Cálculos
FSSS
P(FSSS) =
0,40∗0,60
3
=
0,0864
P(FSSS) = P (F)P(S)P(S)P(S) =
0,40∗0,60∗0,60∗0,60
SFSS
P(SFSS) =
0,40∗0,60
3
=
0,0864
P(SFSS) = P (S)P(F)P(S)P(S) =
0,60∗0,40∗0,60∗0,60
SSFS
P(SSFS) =
0,40∗0,60
3
=
0,0864
P(SSFS) = P (S)P(S)P(F)P(S) =
0,60∗0,60∗0,40∗0,60
SSSF
P(SSSF) =
0,40∗0,60
3
=
0,0864
P(SSSF) = P (S)P(S)P(S)P(F) =
0,60∗0,60∗0,60∗0,40
Total 4∗0,0864 = 0,3436 ---
Obs: Assumindo independência entre os eventos, então P(FSSS) = P (F)P(S)P(S)P(S).

A probabilidade de sair 3 peças com defeitos em uma amostra com 4 peças foi 0,3436, o
mesmo valor obtido na letra ‘a’. Veja que tivemos 4 diferentes formas de sair três peças com
defeitos e cada uma delas a probabilidade foi igual a 0,40∗0,60
3
, então de uma maneira geral,
a probabilidade de ocorrer x sucessos é

( )
x n x
q p
n
x p

× ×
|
|
|
¹
|

\
|
=
ensaios em sucessos
sair de diferentes
formas de Número
sucessos" ocorrer x " com


( )! !
!
ensaios em sucessos
sair de diferentes
formas de Número
x n x
n
C
n
x
n
x

= =
|
|
|
¹
|

\
|
= combinação de n de x em x

3
Para esta letra estamos admitindo que X =”número de peças não defeituosa” segue a distribuição Binomial com n =
40 e p =0,60

Estatística Básica − 16 − prof. José Aguinaldo
EXEMPLO 10 - Um restaurante sabe que 85% dos clientes que reservam mesa realmente
comparecem. O restaurante tem somente 20 lugares, mas acabou aceitando fazer 22 reservas,
determine a probabilidade de o cliente que fez reserva aparecer no restaurante e ser
acomodado em sua mesa.

Solução ------------------------------------------------------------------------------------------------------------------

X = “número de clientes que fizeram reservas comparecerem” segue distribuição Binomial com
n = 22 e p = 0,85, com função probabilidade igual a:

x x x x
x x x
x f
2 2 2 2
15 , 0 85 , 0
)! 22 ( !
! 22
15 , 0 85 , 0
2
) (
− −

− ⋅
= ⋅ ⋅
|
|
¹
|

\
|
=

→ Veja que o restaurante aceitou fazer 22 reservas (n = 22). Cada cliente que fez reserva
pode aparecer (sucesso) ou não e a probabilidade de o cliente aparecer é sempre igual a
0,85 (p = 0,85) em cada reserva. Por isto, é que estamos usando a distribuição Binomial.

Os clientes que fizeram reservar serão acomodados em seus lugares se, e somente se,
aparecerem no máximo 20 clientes (se aparecer 21 ou 22 clientes alguém ficará sem lugar no
restaurante), então

P(“todos serem acomodados”) = P(X ≤ 20) = f(20) + f(19) + ... + f(0)

Veja que temos que usar 21 vezes a função probabilidade f(x), o que é muito trabalhoso, certo?
O que fazer, então?

Usar a regra do complemento
P(X ≤ 20) = 1 – P(X > 20) = 1 - [ f(21) + f(22) ]

21 2 2 21
15 , 0 85 , 0
)! 21 22 ( ! 21
! 22
) 21 (

⋅ ⋅
− ⋅
= f =
1 21
15 , 0 85 , 0
! 1 ! 21
! 22
⋅ ⋅

= 0,1087

22 2 2 22
15 , 0 85 , 0
)! 22 22 ( ! 22
! 22
) 22 (

⋅ ⋅
− ⋅
= f =
0 22
15 , 0 85 , 0
! 0 ! 22
! 22
⋅ ⋅

= 0,028

P(X ≤ 20) = 1 - [ 0,1087 + 0,028 ] = 1- 0,1367 = 0,8633 (ou 86,33%)

A probabilidade de o cliente que fez reserva aparecer no restaurante e ser acomodado em sua
mesa é de 0,8633.




















Estatística Básica − 17 − prof. José Aguinaldo
Alguns gráficos da distribuição Binomial

Abaixo, temos alguns gráficos da distribuição Binomial. Observe que em cada gráfico, as
hastes estão em torno da média µ µµ µ = np.
x
P
(
x
)
1 0 9 8 7 6 5 4 3 2 1 0
0. 30
0. 25
0. 20
0. 15
0. 10
0. 05
0. 00
x
P
(
x
)
10 9 8 7 6 5 4 3 2 1 0
0. 25
0. 20
0. 15
0. 10
0. 05
0. 00
x
P
(
x
)
10 9 8 7 6 5 4 3 2 1 0
0 . 3 0
0 . 2 5
0 . 2 0
0 . 1 5
0 . 1 0
0 . 0 5
0 . 0 0
n = 1 0 p = 0 .2 0 n = 1 0 p = 0 .5 0 n = 1 0 p = 0 .8 0



Usando o Excel

No Excel, a função DISTRBINOM(x; n; p; FALSO) retorna a probabilidade f(x) de ocorrer x
sucessos em n provas, enquanto que a função DISTRBINOM(x; n; p; VERDADEIRO) retorna
a probabilidade de ocorrer no máximo x sucessos em n provas. Veja abaixo um exemplo onde
foram calculados f(6) e P(X ≤ 6) de uma distribuição Binomial com
parâmetros n = 10 e p = 0,40.











= DISTRBINOM(C2; 10; 0,40; FALSO) = DISTRBINOM(C2; 10; 0,40; VERDADEIRO)

Estatística Básica − 18 − prof. José Aguinaldo
3.3 Distribuição de Poisson

A distribuição de Poisson (ou modelo de Poisson) é uma distribuição útil como modelo teórico
para descrever a probabilidade de ocorrer um número de eventos ao longo de um intervalo de
tempo (ou de área, ou de volume, ou de cumprimento, etc).

Exemplos de situações, onde o modelo de Poisson é adequado:
• Número de chamadas telefônicas por minuto;
• Número de carros que chegam ao estacionamento durante uma hora;
• Número de pessoas infectadas por unidade de área;
• Número de acidentes por dia;

Distribuição de Poisson
Se o número médio de eventos no intervalo é igual a λ, então a variável aleatória X que é igual
ao número de eventos no intervalo tem uma distribuição de Poisson com parâmetro λ. As
probabilidades são obtidas pelo modelo matemático abaixo:
!
) (
x
e
x f
x λ −
⋅ λ
= com x = 0, 1, 2 ,...

Valor esperado E(X) e variância Var(X)
E(X) = µ = λ λλ λ Var(X) = σ
2
= λ λλ λ

Notação: X ~ Poisson(λ λλ λ) significa que a variável X = “número de x eventos em um intervalo”
segue a distribuição de Poisson com taxa média igual λ λλ λ


onde
f(x) = P(X = x) é a probabilidade de ocorrer x eventos
λ λλ λ = taxa média de eventos no intervalo (de tempo, de comprimento, etc) com λ > 0
x = número de ocorrência de eventos no intervalo
e ≈ 2,718282 - é o número neperiano ou número de Euler (pronuncia-se óiler)
x! = x⋅(x-1)⋅(x-2)⋅…⋅2⋅1 - é o x fatorial (ou fatorial de x)


Resultados interessantes (usando a regra do complemento)
∗ P(X ≥ a) = 1 – P(X < a)
∗ P(X > a) = 1 – P(X ≤ a)
∗ P(a ≤ X ≤ b) = P(X ≤ b) - P(X < a)


Estatística Básica − 19 − prof. José Aguinaldo
EXEMPLO 11 - Os navios chegam a um porto segundo uma distribuição de Poisson com
média de 2 navios por hora. Determine a probabilidade:
a) Chegar exatamente três navios em uma hora;
b) Chegar pelo menos um navio em uma hora;
c) Chegar exatamente três navios em 30 minutos;
d) Chegar pelo menos um navio em duas horas;

Solução: -------------------------------------------------------------------------------------------------------------------

X = “número de navios que chegam ao porto em uma hora” segue a distribuição de Poisson
com taxa média de λ λλ λ = 2 navios a cada hora.

Portanto a função probabilidade é:
!
2
) (
2
x
e
x f
x −

= onde x = 0, 1, 2, ...

a) P(“chegar exatamente três navios em uma hora”) = f(3)

180447 , 0
6
135335 , 0 8
! 3
2
) 3 (
2 3
=

=

=

e
f (ou 18,05%)
com
→ 3! = 3∗2∗1 = 6
→ e
-2
= (2,718282)
-2
= (1 / 2,718282)
2
= (0,367879)
2
= 0,135335

Resposta: P(“chegar exatamente três navios em uma hora”) = 0,1805
18,05% das vezes chegarão exatamente 3 navios em um intervalo de um
intervalo de uma hora (Por exemplo, de 8:00 às 9:00 hs, ou 14:30 às 15:30
horas, ou 16:15 às 17:15 hs, etc)

b) P(“chegar pelo menos um navio em uma hora”) = P(X ≥ 1)

L + + + = ≥ ) 3 ( ) 2 ( ) 1 ( ) 1 ( f f f X P (veja que não conseguiremos calcular, pois
teoricamente vai até infinito). A solução é usar a regra do complemento:

) 0 ( 1 ) 1 ( 1 ) 1 ( f X P X P − = < − = ≥ = 1 – 0,135335 = 0,864665 (ou 86,47%)

135335 , 0
1
135335 , 0 1
! 0
2
) 0 (
2 0
=

=

=

e
f
com
→ 0! = 1 (por definição)
→ e
−2
= (2,718282)
−2
= (1 / 2,718282)
2
= (0,367879)
2
= 0,135335

Resposta: P(“chegar pelo menos um navio em uma hora”) = 0,8647
86,47% das vezes chegará pelo menos um navio em um intervalo de uma hora


Estatística Básica − 20 − prof. José Aguinaldo
c) P(“chegar exatamente três navios em 30 minutos”) = f(3)

Para trabalhar com intervalo de 30 minutos temos que encontrar a taxa média de navios
que chegam durante um intervalo de 30 minutos.

Como sabemos que a taxa média é de dois navios por horas, então em 30 minutos espera-
se que a taxa média seja de 1 navio. Foi usada a regra de três:
2 navios --------- 1 hora
k navios ---------- 0,5 hora ( = 30 minutos)

k = 2∗ 0,5 / 1 = 1 navio

Agora, vamos trabalhar com a taxa média é de λ λλ λ = 1 navio a cada 30 minutos.
061313 , 0
6
367879 , 0 1
! 3
1
) 3 (
1 3
=

=

=

e
f (ou 6,13%)

Resposta: P(“chegar exatamente três navios em 30 minutos”) = 0,0613
6,13% das vezes chegarão exatamente 3 navios durante um intervalo de 30
minutos.

c) P(“chegar pelo menos uma navio em duas horas”) = P( X ≥ 1)

Para trabalhar com intervalo de 2 horas temos que encontrar a taxa média de navios que
chegam durante um intervalo de 2 horas.

Como sabemos que a taxa média é de dois navios por horas, então em duas horas espera-
se que a taxa média seja de 4 navios.
2 navios --------- 1 hora
k navios ---------- 2 horas

k = 2∗ 2 / 1 = 4 navios

Agora, vamos trabalhar com a taxa média é de λ λλ λ = 4 navios a cada duas horas.

) 0 ( 1 ) 1 ( 1 ) 1 ( f X P X P − = < − = ≥ = 1 – 0,018316 = 0,981684 (ou 98,17%)

018316 , 0
1
018316 , 0 1
! 0
4
) 0 (
4 0
=

=

=

e
f

→ e
−4
= (2,718282)
−4
= (1 / 2,718282)
4
= (0,367879)
4
= 0,018316


Resposta: P(“chegar exatamente três navios em 30 minutos”) = 0,9817
98,17% das vezes chegará pelo menos um navio durante um intervalo de 30
minutos.


Estatística Básica − 21 − prof. José Aguinaldo
Alguns gráficos da distribuição de Poisson

Abaixo temos alguns exemplos de gráficos da distribuição de Poisson para diferentes taxa
média λ λλ λ (note que a distribuição está mais concentrada em torno de λ λλ λ).

x
P
(
x
)
1 4 1 2 1 0 8 6 4 2 0
0 . 3 0
0 . 2 5
0 . 2 0
0 . 1 5
0 . 1 0
0 . 0 5
0 . 0 0
x
P
(
x
)
1 4 1 2 1 0 8 6 4 2 0
0 . 2 0
0 . 1 5
0 . 1 0
0 . 0 5
0 . 0 0
m é d ia = 2 m é d ia = 5


Usando o Excel

No Excel, a função POISSON(x; λ λλ λ; FALSO) retorna a probabilidade f(x) de ocorrer x eventos e
a função POISSON(x; λ λλ λ; VERDADEIRO) retorna a probabilidade de ocorrer no máximo x
eventos. Veja abaixo um exemplo onde foram calculados f(6) e P(X ≤ 6) de uma distribuição de
Poisson com taxa média de λ λλ λ = 8.













Usando o modelo de Poisson como aproximação do modelo Binomial
A distribuição de Poisson surgiu como uma forma limite da distribuição Binomial, por isso,
algumas vezes o modelo de Poisson é usado como aproximação do modelo Binomial. Uma
regra empírica para usar tal aproximação é n ≥ 100 e n⋅ ⋅⋅ ⋅p ≤ 10.

Se a variável discreta X segue a
distribuição Binomial com
parâmetros n e p
n grande (n >100) e
p pequeno, de forma
que n⋅ ⋅⋅ ⋅ p ≤ 10
A variável discreta X segue
aproximadamente a distribuição de
Poisson com parâmetro λ λλ λ = n⋅ ⋅⋅ ⋅p
x n x
q p
x
n
x f

) (

⋅ ⋅
|
|
¹
|

\
|
=

!
) (
x
e
x f
x λ −
⋅ λ
=

EXEMPLO 12 - Em uma região, apenas 2% das pessoas têm computador em casa. Uma
escola tem 100 alunos, qual a probabilidade de que oito desses alunos tenham computador em
casa?
=POISSON(A2; 8; VERDADEIRO)
=POISSON(A2; 8; FALSO)

Estatística Básica − 22 − prof. José Aguinaldo

Solução: ----------------------------------------------------------------------------------------------

X = “número de alunos com computador em casa” segue a distribuição Binomial com
parâmetros n = 100 alunos e p = 0,02 (probabilidade da pessoa ter computador em casa)


P(“de oito alunos terem computador em casa”) = f(8)

8 00 1 8
85 , 0 15 , 0
8
100
) 8 (

⋅ ⋅
|
|
¹
|

\
|
= f =
8 00 1 8
85 , 0 15 , 0
)! 8 100 ( ! 8
! 100

⋅ ⋅
− ⋅


Calcular o fatorial de 100! é um pouco trabalhoso. Podemos usar a aproximação de Poisson.
Voltando ao exemplo: λ = n⋅ ⋅⋅ ⋅p = 100⋅0,02 = 2

! 8
2
) 8 (
2 8 −

=
e
f =
40320
135335 , 0 256⋅
= 0,000859

O resultado acima seria valor aproximado de f(8) usando a distribuição de Poisson. O valor
exato, usando a distribuição Binomial, seria 0,000743.

Estatística Básica − 23 − prof. José Aguinaldo
4. Distribuição de probabilidade – Variável contínua
Até o momento, vimos algumas distribuições para as variáveis aleatórias discretas, essas
Como a variável aleatória contínua pode assumir infinitos valores dentro de um intervalo de
números reais, o cálculo da probabilidade dessa variável assumir um determinado valor perde
o sentido, visto que essa probabilidade seria sempre zero.
Veja o exemplo da vida útil de uma bateria de celular, que é uma variável contínua. Se assumir
que essa vida útil pode variar de 10 horas a 72 horas (valores fictícios), a probabilidade de uma
bateria durar exatamente 20,456 horas seria zero. Uma explicação de forma bem simples
poderia ser dada da seguinte forma:
Se todos os valores possíveis dentro do intervalo de 10 a 72 horas forem igualmente prováveis,
então:
P(“bateria durar exatamente 10,456 horas“) = 0
1
) 456 , 0 1 P(X =

= =
onde o símbolo ∞ indica infinito, que é o total de valores possíveis dentro do intervalo de 10 a
72 horas. Sabendo deste resultado, não tem muito sentido calcular probabilidade de ocorrer um
determinado valor, quando se trata de variável contínua. Então, o que é feito nestes casos?
Quando se trata de variável contínua, devemos sempre calcular a probabilidade de a variável
ter um valor compreendido entre dois valores quaisquer. Ou seja, calculamos a probabilidade
de a variável assumir determinado valor dentro de um intervalo [a; b]. Veja o exemplo a seguir
para ilustrar que acabamos de dizer. Veja o exemplo a seguir para ilustrar que acabamos de
dizer.
EXEMPLO 13 - Na figura abaixo, o ponteiro gira livremente sobre um círculo dividido em
oito setores. Como variável de interesse, vamos considerar a distância do ponto inicial até o
ponto em que o ponteiro irá parar. Se o ponteiro for colocado para girar no sentido horário,
determine a probabilidade de o ponteiro:











Solução -----------------------------------------------------------------------------------------------------------------

a) O ponteiro sob o círculo é posto a girar, podendo parar em qualquer posição ao longo do
círculo. É de esperar que seja quase impossível de o ponteiro parar exatamente em cima do
ponto “k”, portando a probabilidade disto ocorrer será praticamente zero, ou seja, P(A) ≈ 0 onde
o evento A = “parar exatamente em cima do ponto k”.

b) Sendo razoável assumir que os 8 intervalos [0; 10), [10; 20), [20; 30), [30; 40), [40; 50), [50;
60), [60; 70) e [70; 80) sejam igualmente prováveis, então:

P(“cair no intervalo [10; 20)”) = 1/8 = 0,125.

a) Parar exatamente em cima do ponto “k” (nem um
pouco antes e nem um pouco depois).

b) Parar dentro do intervalo [10; 20].

Estatística Básica − 24 − prof. José Aguinaldo
No exemplo anterior, podemos representar as probabilidades associadas a cada intervalo
usando um histograma construído de forma que as áreas dos retângulos representem as
probabilidades de interesse.



A área do retângulo sombreado no histograma acima é igual a 1/8. Para que área fosse
realmente 1/8, a altura do histograma teve que ser 1/80, pois área de retângulo = base ∗ ∗∗ ∗
altura = 1 / 8

(20-10) ∗ altura = 1 / 8
10 ∗ altura = 1 / 8
altura = 1 / 80

Note, com o histograma acima, que há uma relação entre probabilidade e área. Isto sempre
acontecerá, quando trabalhamos com distribuição de variável contínua.

Supondo que o círculo fosse dividido em 16 intervalos, sendo que intervalo tem a mesma
probabilidade 1/16, o histograma correspondente seria:









Estatística Básica − 25 − prof. José Aguinaldo
Podemos dividir o círculo em 32 intervalos, 64 intervalos e assim por diante e mesmo assim
sua altura permanecerá com o mesmo valor 1/80. Então, em uma situação teórica com infinitos
intervalos, temos o seguinte histograma:















Este histograma teórico é determinado pela função f(x) que denominamos de função
densidade de probabilidade ou simplesmente função densidade da variável X. Com a
função densidade f(x) podemos calcular teoricamente P(43 ≤ X ≤ 65), probabilidade de o
ponteiro cair a uma distância de 43 a 65 a partir do ponto inicial, calculando a área de um
retângulo.














Escolhendo adequadamente a função densidade f(x) para a variável de interesse, podemos
calcular a probabilidade teórica de a variável assumir um valor dentro do intervalo [a; b],
simplesmente calculando a área da curva no intervalo [a; b].

Abaixo, temos um histograma para as notas de matemática dos candidatos em um vestibular e
a função densidade f(x) (note como o histograma reflete de uma maneira aproximada a
realidade da variável).


100 90 80 70 60 50 40 30 20
0
Notas
D
e
n
s
i
d
a
d
e

d
e

f
r
e
q
u
ê
n
c
i
a

100 90 80 70 60 50 40 30 20
0
Notas
D
e
n
s
i
d
a
d
e

d
e

f
r
e
q
u
ê
n
c
i
a



80 70 60 50 40 30 20 10 0
0
X
1 / 80
f(x)
Função densidade f(x) Histograma
Probabilidade
de obter mais
de 80 pontos
Portanto,
P(43 ≤ X ≤ 65) = 0,275.

Estatística Básica − 26 − prof. José Aguinaldo
ATENÇÃO:
É bom deixar bem claro que a função densidade f(x) não fornece diretamente a
probabilidade, ela apenas é usada no cálculo de área e esta área corresponderá a nossa
probabilidade de interesse.

Em situações simples, iremos calcular áreas de retângulos, triângulos ou outras figuras
geométricas mais simples, mas em situações mais complexas, o cálculo das áreas irá requer o
uso de cálculo de integral.

A função densidade abaixo, descreve o tempo de vida de um tipo especial de lâmpada. O
cálculo da área neste caso não é tão simples assim, se pretendemos calcular a probabilidade
de uma lâmpada sobreviver mais de 15 mil horas devemos recorrer ao uso da integral.

















Abaixo temos algumas características importantes de uma função densidade.

Características da função densidade f(x)
• É uma função não-negativa, ou seja, f(x) ≥ 0;
• A área total da curva definida por f(x) é igual a 1 (Figura 1 abaixo);
• A probabilidade de a variável assumir um valor no intervalo [a; b] é: P(a ≤ X ≤ b) = área da
curva no intervalo [a; b] (figura 2 abaixo);
• A probabilidade de a variável assumir um determinado valor é sempre zero. Ou seja,
P(X = k) = 0 (Figura 2 abaixo);
• A inclusão ou exclusão dos extremos não altera o valor da probabilidade, ou seja, P(a ≤ X ≤
b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b)




A probabilidade de uma lâmpada sobreviver mais
de 15 mil horas é igual a:
P(X > 15) = 153 , 0 dx ) x ( f
15
=



ATENÇÃO:
Não se desespere, não vamos usar integral
na nossa disciplina.

Estatística Básica − 27 − prof. José Aguinaldo
4.1 Distribuição Uniforme

A distribuição Uniforme é o modelo mais simples para variável contínua. Este modelo é
adequado, quando é razoável assumir que intervalos iguais da variável tenham mesma
probabilidade.

Distribuição Uniforme
Se a variável aleatória X segue a distribuição uniforme no intervalo [a; b], então a função
densidade f(x) é dada por:

b] [a; x se 0
b] [a; x se
a - b
1
) (
¦
¦
¹
¦
¦
´
¦


= x f


Valor esperado E(X) e variância Var(X)
2
) (
a b
x E
+
= µ =
12
) (
) (
2
2
a b
x Var

= σ =

EXEMPLO 14 - A empresa Pica-Pau Ltda corta madeiras em forma de toras. O
comprimento das toras varia uniformemente de 30 cm a 90 cm.
a) Determine a probabilidade de uma tora ter comprimento
• maior que 80 cm
• de 65 cm a 70 cm
• exatamente 75 cm
b) Se 1200 toras forem cortadas, qual o número de esperado de toras com comprimento
maior que 80 cm.
c) Qual o valor esperado e o desvio-padrão do comprimento das toras.
d) Sabendo que 90% das toras têm comprimento de k cm no máximo. Determine o valor
de k.
e) Determine os três quartis (Q
1
, Q
2
e Q
3
) dos comprimentos das toras.


Solução -------------------------------------------------------------------------------------------------------------------

Se os comprimentos das toras variam uniformemente de 30 a 90, então podemos assumir a
distribuição uniforme para a variável X= “comprimento das toras” com função densidade f(x)
igual a:


90] [30; x se 0
90] [30; x se
60
1
) (
¦
¦
¹
¦
¦
´
¦


= x f






60
1

f(x)
x 30
a b −
1

f(x)
x a b

Estatística Básica − 28 − prof. José Aguinaldo
a) P(“comprimento ser maior que 80”) = P(X > 80) = 0,1667
P(“comprimento de 65 cm a 70 cm”) = P(65 ≤ X ≤ 70) = 0,0833
P(“comprimento exatamente 75 cm”) = P(X = 75) = 0 (a área não existe)



b)
Se P(X > 80) = 0,1667 então cerca de 16,67% das toras terão comprimentos maiores que
80cm, então de um total de 1200 toras o número de toras com 80 cm ou mais é
aproximadamente 200 toras ( = 16,67% de 10000).

c)
O tamanho médio µ das toras é:
→ 60
2
30 90
2
) ( =
+
=
+
= = µ
a b
x E cm

O desvio-padrão σ dos comprimentos das toras é:
→ 32 , 17 300
12
) 30 90 (
12
) (
) (
2 2
= =

=

= = σ
a b
x Var cm

d)
P(“comprimento no máximo k”) = 0,90.
área = base ∗ altura = 0,90
(k – 30) ∗ 1/60 = 0,90 ⇒ k = 54 + 30 = 84 cm











e) Lembre-se de que Q1 = P
25
então basta repetir a letra ‘d’ usando 0,25 no lugar de 0,90. Para
o Q
2
, usar 0,50 no lugar de 0,90 e para o Q
3
usar 0,75 no lugar de 0,90.





x
f(x)
60
1

30 k 90
0,90

Estatística Básica − 29 − prof. José Aguinaldo
EXEMPLO 15 - Um gerador de números aleatórios segue a distribuição uniforme no
intervalo de 10 a 20.
a) Determine a probabilidade de o número gerado ser:
• Maior que 17. resp: 0,30
• Menor que 12,5. resp: 0,25
• Entre 14 e 16. resp: 0,20
• Exatamente o número 18 resp: 0

b) Se 1000 números são gerados, quantos deles serão maiores que 17?
resp: ≈ 300 números

c) Qual o valor médio e desvio-padrão dos números gerados.
resp: µ = 15 σ = 2,89

EXEMPLO 16 - O tempo requerido para completar uma operação de montagem segue a
distribuição uniforme no intervalo de 30 a 40 minutos.

a) Determine a probabilidade de uma montagem requerer
• Mais de 37 minutos para ser completado.
• de 34 a 36 minutos;
• Exatamente 34 minutos.
b) Sabendo que 25% das vezes, o tempo de montagem é, no máximo, k segundos,
determine o valor de k.
c) Qual é a média e a variância do tempo de montagem.

Respostas: a) 0,30 0,20 0 b) k = 32,5 min c) µ = 35 e σ
2
= 8,33


























Estatística Básica − 30 − prof. José Aguinaldo
4.2 Distribuição Normal
A distribuição Normal é a distribuição de probabilidade mais usada na Estatística, pois serve de
modelo para um grande número de variáveis contínuas e também como modelo aproximado
para outras distribuições de probabilidade (Binomial, Poisson, etc).
Em inferência estatística, uma área da estatística que procura tomar decisões acerca da
população usando apenas os dados de uma amostra, a média amostral é a variável de maior
interesse e conhecer a sua distribuição de probabilidade é de grande importância. Se o
tamanho da amostra for considerado grande (n ≥ 30), podemos usar a distribuição normal
como modelo adequado para descrever os resultados da média amostral, mesmo se a
população de onde a amostra foi retirada não seguir a distribuição normal. Esse é o resultado
do Teorema Central do Limite (principal teorema na Estatística) e que mostra a grande
importância da distribuição normal.

Distribuição normal
Uma variável aleatória contínua X tem distribuição normal com parâmetros µ µµ µ e σ σσ σ, se a sua
função densidade f(x) for dada por:


, para − ∞ < x < ∞

onde
4
, σ > 0 e = 2,718282 π ππ π = 3,14159



NOTAÇÃO: X ~ Normal (µ µµ µ; σ σσ σ) → “A variável X tem distribuição normal com
média µ µµ µ e desvio-padrão σ σσ σ.
Valor esperado E(X), variância Var(X) e desvio-padrão dp(X) da variável X

E(X) = µ
Var(X) = σ
2
dp(X) = σ


















4
e = número neperiano ou número de Euler (pronuncia-se óiler).

2
x
2
1
e
2
1
) x ( f
|
¹
|

\
|
σ
µ −


π ⋅ σ
=
x
f(x)
µ µµ µ


Estatística Básica − 31 − prof. José Aguinaldo
Efeito da média µ µµ µ e do desvio-padrão σ σσ σ na curva normal

A média µ determina o valor do centro da curva normal, enquanto que o desvio-padrão σ
determina a largura da curva normal. Quanto menor o valor do desvio-padrão σ, menor será a
variabilidade dos dados, conseqüentemente menor será a largura da curva.


















Algumas características da distribuição Normal

(1) A média, mediana e moda são iguais. Ou seja, µ = Md = mo;

(2) A curva normal, além de ter uma área total igual a 1, é simétrica em torno da média µ,
sendo assim, P(X < µ - b) = P(X > µ + b);


(3) P(X ∈ [a; b]) = P(a ≤ X ≤ b) = área da curva no intervalo [a; b]

(4) A inclusão ou exclusão dos extremos não altera o valor da probabilidade. Portanto,

P(a ≤ X ≤ b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b)









80 70 60 50 40 30 20 10 0
0,10
0,08
0,06
0,04
0,02
0,00
X
f
(
x
)
µ = 20
σ = 4
µ = 50
σ = 8
µ = 20
σ = 8

Estatística Básica − 32 − prof. José Aguinaldo
(5) Quaisquer que sejam os valores da média µ µµ µ e do desvio-padrão σ σσ σ de uma distribuição
normal, os seguintes resultados são válidos:

P(µ − 1⋅σ ≤ X ≤ µ + 1⋅σ) = 0,6827 - Cerca de 68,3% dos valores estão a um desvio-padrão
distante da média;

P(µ − 2⋅σ ≤ X ≤ µ + 2⋅σ) = 0,9545 - Cerca de 95,5% dos valores estão a 2 desvios-padrões
distante da média;

P(µ − 3⋅σ ≤ X ≤ µ + 3⋅σ) = 0,9973 - Cerca de 99,7% dos valores estão a 3 desvios-padrões
distante da média;




















Se as notas em matemática dos candidatos em um vestibular forem normalmente distribuídas
com média de µ = 65 pontos e desvio-padrão de σ = 12 pontos, então aproximadamente 95%
desses candidatos irão obter notas de 41 a 89 pontos, pois
41 = 65 –2∗12 (= µ – 2∗σ)
89 = 65 + 2∗12 (= µ + 2∗σ)

Distribuição normal padrão

A distribuição normal padrão é um acaso especial da distribuição normal onde a média é zero
(µ = 0) e desvio-padrão é um (σ = 1). As áreas dessa distribuição são obtidas com o auxilio de
tabelas e serve de referência para calcular probabilidades das outras distribuições normais

Por que usamos tabela na distribuição normal?
Como foi dito anteriormente, as probabilidades são obtidas resolvendo a integral da
função densidade no intervalo de interesse. O grande problema é que integrar
algebricamente uma curva normal não é possível e a solução encontrada foi usar
métodos numéricos
5
para calcular de forma aproximada as áreas de interesse. Essas
áreas são calculadas apenas para a distribuição normal padrão.


5
Métodos computacionais usados para obter a integral de uma função
Montgomery, 2002

Estatística Básica − 33 − prof. José Aguinaldo
Para obter as áreas de outros intervalos teremos que lembrar de que a curva normal é
simétrica em torno da média, de que área total é um e de que as áreas dos intervalos (-∞; 0] e
[0; +∞) são iguais a 0,50.

A tabela que vamos usar fornece a área da curva normal padrão no intervalo de zero até um
determinado valor, ou seja, no intervalo [0; z
c
].
Por exemplo, usando a tabela normal padrão, qual a probabilidade P(0 ≤ Z ≤ 1,58)?






O valor z
c
=1,58 deverá ser dividido em duas partes (1,5 e 8). A primeira parte (1,5) deverá ser
localizada na primeira coluna da tabela e a segunda parte (8) deverá ser localizada na primeira
linha da tabela. Na interseção dessas duas partes teremos o valor 0,442947 que é a
probabilidade desejada.

Usando a tabela normal padrão, P(0 ≤ Z ≤ 1,58) = 0,442947.

Usando o resultado acima, outras probabilidades podem ser obtidas. Veja a seguir:

P(Z > 1,58) = 0,50 – 0,442947 = 0,057053
(lembre-se de que a área no intervalo [0; ∞]
é igual a 0,50)








Por simetria, temos que:
P(-1,58 ≤ Z ≤ 0) = 0,442947
P(Z < -1,58) = 0,057053



Continuando com a tabela normal padrão, qual o valor de z
c
tal que P(0 ≤ Z ≤ z
c
) = 0,35?









Resposta: O valor de z
c
é 1,04





0 1,58 Z
Tabela normal padrão
z 8
... ↓
1,5 → 0,442947
...

P(0 ≤ Z ≤ 1,58) =
Tabela normal padrão
z 4
... ↑
1,0 ← 0,350830
...
mais próximo
de 0,35

P(0 ≤ Z ≤ z
c
) = 0,35
0 z
c
Z
-1,58 0
Z
0,057053
0,442947
0
0 1,58 Z
0,05705

Estatística Básica − 34 − prof. José Aguinaldo
EXEMPLO 17 - Sabendo que a variável Z tem distribuição normal padrão, responda:
a) P(Z < 1,85)
b) P(Z > - 2,33)
c) P(2,33 ≤ Z ≤ 1,50)
d) P(-2,33 ≤ Z ≤ -1,50)
e) P(-1,80 ≤ Z ≤ 0,85)
f) Calcule k tal que P(Z ≤ k) = 0,95.
g) Calcule k, tal que P(Z ≤ k) = 0,05.

Solução ----------------------------------------------------------------------------------------------

a) P(Z < 1,85) = 0,5 + 0,467843 = 0,967843 ( = área sombreada na figura abaixo)










b) P(Z > -2,33) = 0,5 + 0,490097 = 0,990097 ( = área sombreada na figura abaixo)











c) P(2,30 ≤ Z ≤ 1,50) = área no intervalo [0; 2,30] − área no intervalo [0; 1,50]
= 0,489276 − 0,433193
= 0,056083







d) P(-1,86 ≤ Z ≤ 0,85) = área no intervalo [-1,86; 0] + área no intervalo [0; 0,85]
= 0,468557 + 0,302337
= 0,770894












0
0 1,85
0,5
Da tabela normal
padrão
0,467843 Observação
P(Z < 1,85) = P(Z ≤ 1,85)
0
-2,33 0
0,5
Da tabela normal
padrão
0,490097
0
0 1,5 2,3
0,056083
-1,86 0 0,85 Z

Estatística Básica − 35 − prof. José Aguinaldo
e) P(-2,30 ≤ Z ≤ -1,50) = área no intervalo [-2,30; 0] − área no intervalo [-1,50; 0]
= 0,489276 − 0,433193
= 0,056083 (veja que por simetria já poderíamos ter obtido este
resultado)









e) Calcule k tal que P(Z ≤ k) = 0,95.







Resposta: O valor de k é 1,65.

Veja que o valor 0,95 corresponde a área da curva sob o intervalo (−∞; 0]. Sabendo que a área
no (−∞; 0] é igual a 0,50, então o restante 0,45 fica sendo a área no intervalo [0; k]. Como a
tabela só trabalha com áreas no intervalo [0; z
c
], por isto é que olhamos na tabela o valor
correspondente a área 0,45. e encontramos k = 1,65.

f) Calcule b tal que P(Z ≤ b) = 0,05.

Da letra ‘e’ podemos concluir que P(Z ≤ 1,65) = 0,95 e P(Z > 1,65) = 0,05. Por simetria,
sabemos que P(Z < −1,65) = 0,05 (certo?), então com isto a resposta para a letra ‘f’ é b =
−1,65’












Padronização de uma variável


Até agora só trabalhamos com a distribuição normal padrão. E como devemos trabalhar com
as outras distribuições de probabilidades?

Qualquer variável X tendo distribuição normal com média µ e desvio-padrão σ pode ser
“transformada” em uma distribuição normal padrão, basta, para isto, padronizar a variável X.

X tem distribuição normal com
média µ e desvio-padrão σ.

Z tem distribuição normal
padrão com média µ = 0 e
desvio-padrão σ = 1.
0
-2,3 -1,5 0 Z
Da letra ‘c’ e por
simetria temos
0,056083

0
0 1,65
0,95
0,05
0
0,95
-1,65 0 Z
Tabela normal padrão
z 5
... ↑
1,6 ← 0,449 497
...
mais próximo
de 0,45

0
0 k = ?
0,50 0,45
P(0 ≤ Z ≤ k) = 0,45
σ
µ −
=
x
z
Padronização

Estatística Básica − 36 − prof. José Aguinaldo
X ~ Normal(µ µµ µ; σ σσ σ)

Z ~ Normal(0; 1)


( ) |
¹
|

\
|
σ
µ −
≤ = ≤
a
Z P a X P = olhar as áreas na tabela da normal padrão
( ) |
¹
|

\
|
σ
µ −
≤ ≤
σ
µ −
= ≤ ≤
b
Z
a
P b X a P = olhar as áreas na tabela da normal padrão
EXEMPLO 18 - Em uma região, o quociente intelectual (QI) das pessoas adultas segue a
distribuição normal com média de 100 pontos e desvio-padrão de 15 pontos. Escolhendo uma
pessoa ao acaso, determine a probabilidade desta pessoa:
a) ter QI maior que 120 pontos.
b) ter QI menor que 75 pontos.
c) ter QI de 110 a 120 pontos.
d) ter QI de 75 a 120 pontos.

Solução ----------------------------------------------------------------------------------------------

Como variável de interesse vamos definir X = “QI de uma pessoa adulta” e pelo enunciado do
problema sabemos que X segue a distribuição normal com média µ = 100 pontos e desvio-
padrão σ = 15 pontos.

a) P(“um pessoa adulta ter QI maior que 115 pontos”) = P(X > 115) = ?

Para usar a tabela normal padrão devemos inicialmente padronizar o valor 115.
15
100 120
120

=
σ
µ −
= → =
x
z x = 1,33
















b) P(“um pessoa adulta ter QI menor que 75 pontos”) = P(X < 75) = ?

Padronizando o valor 75:
15
100 75
75

=
σ
µ −
= → =
x
z x = -1,67










0
100 120
x
0 1,33 z
= 0,5 - 0,408241
= 0,091759
Resposta:
P(X > 120) = P(Z > 1,33)
= 0,091759

Cerca de 9,18% das pessoas adultas têm QI
maior que 115 pontos.

Resposta:
P(X < 75) = P(Z < -1,67) = 0,047460

Cerca de 4,7% das pessoas adultas têm QI
menor que 75 pontos.

-1,67 0 z
0
75 100 x
= 0,5 - 0,452540
= 0,047460

Estatística Básica − 37 − prof. José Aguinaldo
c) P(“um pessoa adulta ter QI de 110 a 120 pontos”) = P(110 ≤ X ≤ 120) = ?

Padronizando o valor 110:
15
100 110
110

=
σ
µ −
= → =
x
z x = 0,67

Padronizando o valor 120:
15
100 120
120

=
σ
µ −
= → =
x
z x = 1,33

P(0,67 ≤ Z ≤ 1,33) = área no intervalo [0; 1,33] − área no intervalo [0; 0,67]
= 0,408241 − 0,248571= 0,15














d) P(“um pessoa adulta ter QI de 75 a 120 pontos”) = P(75 ≤ X ≤ 120) = ?

Padronizando o valor 75:
15
100 75
75

=
σ
µ −
= → =
x
z x = -1,67

Padronizando o valor 120:
15
100 120
120

=
σ
µ −
= → =
x
z x = 1,33

P(0,67 ≤ Z ≤ 1,33) = área no intervalo [−1,67; 0] + área no intervalo [0; 1,33]
= 0,452540 + 0,408241 = 0,860781

















0
0 0,67 1,33
z
0,159670
100 110 120
Resposta:
P(110 ≤ X ≤ 120) = P(0,67 ≤ Z ≤ 1,33)
= 0,159670

Cerca de 15,97% das pessoas adultas têm QI de
110 a 120 pontos.

Resposta:
P(75 ≤ X ≤ 120) = P(-1,67 ≤ Z ≤ 1,33)
= 0,860781

Cerca de 86,1% das pessoas adultas têm QI de
75 a 120 pontos.

75 100 120
-1,67 0 1,33

Estatística Básica − 38 − prof. José Aguinaldo
EXEMPLO 19 - Continuando com o EXEMPLO 18.
a) Cerca de 95% das pessoas adultas têm QI menor que b pontos. Determine o valor de
b?
b) A MENSA é uma organização que reúne os 2% de maior QI da população. Qual o
menor QI que permite alguém ingressar na MENSA?

Solução -------------------------------------------------------------------------------------------------------------------

a) Sabendo que 95% das pessoas têm QI menor que b pontos, pela figura abaixo vemos que
45% têm QI de 100 a b pontos, ou seja, P(100 ≤ X < b) = 0,45.

Após padronização temos que P(100 ≤ X < b) = P(0 ≤ Z ≤ z
c
) = 0,45. Pela tabela normal
padrão, sabemos que z
c
= 1,65 (se tiver dúvidas ainda, veja o exemplo 11e). Então,
15
100 −
=
σ
µ −
=
b x
z
c
= 1,65 → b – 100 = 1,65*15 = 24,75
Portanto, b = 124,75 pontos.











b) Como queremos encontrar um valor b do QI tal que 2% das pessoas estejam acima e 98%
estejam abaixo. Então, na realidade, estamos na mesma situação da letra “a” acima,
bastando trocar 0,95 por 0,98.
Usando o mesmo raciocínio da letra “a”, temos que b = 130,75 pontos (usando
z
c
= 2,05). Portanto, para ingressar na MENSA, a pessoa deve obter no mínimo 130,75
pontos no teste de admissão.





















P(0 ≤ Z ≤ k) = 0,45
0
0 z
c

z
0,50 0,45
100 b x

Estatística Básica − 39 − prof. José Aguinaldo
4.3 Aproximação Normal
4.3.1 Aproximação Normal para Binomial

Em situações onde temos que usar a distribuição binomial, um valor muito grande para o n
torna o cálculo das probabilidades muito cansativo. Uma alternativa para este problema é usar
a distribuição normal como uma aproximação para a distribuição binomial. As condições para
este uso requerem um n muito grande e um p não muito próximo de 0 ou de 1 (veja a regra
prática a seguir).

Se a variável discreta X segue
a distribuição binomial com
parâmetros n e p
Regra prática
6
A variável X terá
aproximadamente uma
distribuição normal com
parâmetros p n ⋅ = µ e
q p n ⋅ ⋅ = σ

Então, se você lançar um dado para cima 300 vezes a probabilidade de se obter a face quatro
mais de 80 vezes é obtida pela distribuição binomial, mas podemos usar a distribuição normal
para obter uma aproximação da probabilidade.

P(X > 80) ≈ ≈≈ ≈ P(X > 80)





EXEMPLO 20 - De acordo com o último censo, 20% das famílias de uma região vivem
abaixo da linha da pobreza. De uma amostra aleatória de 80 famílias e usando a aproximação
normal, determine:

a) A probabilidade de menos de 10 famílias amostradas viverem abaixo da linha da pobreza;
b) A probabilidade de 15 a 25 famílias amostradas viverem abaixo da linha da pobreza
c) A probabilidade de menos de 25% das famílias amostradas viverem abaixo da linha da
pobreza;
d) A probabilidade de mais de três quartos das famílias amostradas viverem abaixo da linha
da pobreza;
e) O número esperado das 80 famílias amostradas que vivem abaixo da linha da pobreza?

Solução ------------------------------------------------------------------------------------------------------------------

Veja que a variável X = “número de família que vive abaixo da linha da pobreza” segue a
distribuição binomial com n = 80 famílias e p = 0,20 (probabilidade de uma família viver abaixo
da linha da pobreza), porém vamos usar a aproximação normal para calcular as
probabilidades.

Verificando as condições:
n⋅p = 80 = 80⋅0,20 = 16 ≥ 5 (ok) n⋅(1 - p) = 80⋅(1 - 0,20) = 64 ≥ 5 (ok)

Então X segue aproximadamente a distribuição normal com média p n ⋅ = µ = 16 e desvio-
padrão ) 1 ( p p n − ⋅ ⋅ = σ = ) 20 , 0 1 ( 20 , 0 80 − ⋅ ⋅ = 3,5777.



6
Esta condição é uma regra prática usada por muitos autores.
No exemplo do dado, temos µ = n⋅p = 300⋅1/6 = 50 e σ
2
= n⋅p⋅(1-p) = 300⋅1/6⋅(1-1/6) = 41,667
n⋅ p ≥ 5
n⋅ q ≥ 5
Normal com
µ = 50 e σ = 6,45
Binomial com
n = 300 e p = 1/6

Estatística Básica − 40 − prof. José Aguinaldo
a) P(“menos de 10 famílias”) = P(X < 10) =
Padronizando o valor 10:
5777 , 3
16 10
10

=
σ
µ −
= → =
x
z x = -1,68
Então: P(X < 10) = P(Z < -1,68)
= área no intervalo (−∞; 0] – área no intervalo [-1,68; 0]
= 0,5 – 0,453521 = 0,046479 (faça o desenho da curva normal)

b) P(“de 15 a 20 famílias”) = P(15 ≤ X ≤ 20) =
Padronizando o valor 15:
5777 , 3
16 15
15

=
σ
µ −
= → =
x
z x = -0,28
Padronizando o valor 20:
5777 , 3
16 20
20

=
σ
µ −
= → =
x
z x = 1,12
Então:
P(15 ≤ X ≤ 20) = P(-0,28 ≤ Z ≤ 1,12)
= área no intervalo [−0,28; 0] + área no intervalo [0; 1,12]
= 0,110261 + 0,368643
= 0,478904 (faça o desenho da curva normal)

c) “... menos de 25% das famílias...” equivale a “... menos de 20 famílias ...” (25% de 80 é igual
a 20)

P(“menos de 20 famílias”) = P(X < 20)
Padronizando o valor 20:
5777 , 3
16 20
20

=
σ
µ −
= → =
x
z x = 1,12
Então:
P(X < 20) = P(Z < 1,12) = área no intervalo (−∞; 0] + área no intervalo [0; 1,12]
= 0,5 + 0,368643
= 0,868643 (faça o desenho da curva normal)


d) “... mais de ¾ das famílias...” equivale a “... mais de 60 famílias ...” (75% de 80 é igual a 60)

P(“mais de 60 famílias”) = P(X > 60)
Padronizando o valor 60:
5777 , 3
16 60
60

=
σ
µ −
= → =
x
z x = 12,30
Então:
P(X > 60) = P(Z > 12,30) = área no intervalo [0; +∞) − área no intervalo [0; 12,30]
= 0,5 − 0,5
= 0,0 (faça o desenho da curva normal)

e) O número médio (ou valor esperado) de famílias que vivem abaixo da linha da pobreza é µ =
16 famílias.

Quando usamos a aproximação Normal para a Binomial, estamos aproximando uma
variável discreta (que só assumem valores inteiros) por uma variável contínua (que
pode assumir quaisquer valores dentro de um intervalo de número reais). È de se
esperar que algum ajuste deva ser feito. Este ajuste é denominado de correção de
continuidade e esta descrita na seção 4.3.3.










Estatística Básica − 41 − prof. José Aguinaldo
EXEMPLO 21 - Sabe-se que 40% dos alunos em uma escola têm carro próprio. De uma
turma com 15 alunos, determine a probabilidades abaixo usando a distribuição Binomial e a
aproximação normal.
a) No máximo 3 alunos terem carro próprio.
b) Pelo menos 10 alunos terem carro próprio.
c) Exatamente 6 alunos terem carro próprio.
d) Menos de 2 alunos terem carro próprio.
e) Mais 6 alunos terem carro próprio.

4.3.2 Aproximação Normal para Poisson

Da mesma forma que usamos a distribuição normal como aproximação da distribuição
binomial, nós podemos também usá-la como aproximação da distribuição de Poisson. A
condição é de que o produto n⋅p seja um valor razoável (maior que 5, por exemplo
7
).

Se a variável discreta X
segue a distribuição de
Poisson com parâmetro λ
Regra prática
A variável X terá
aproximadamente uma
distribuição normal com
parâmetros λ = µ e λ = σ

EXEMPLO 22 - Se a indústria de tecido XYZ sabe que em sua produção costuma
apresentar defeitos que segue a distribuição de Poisson com uma taxa média de 2 defeitos a
cada 50 metros de tecido. Determine

a) A probabilidade de um rolo com 200 metros de tecido apresentar 12 ou mais defeitos.
b) A quantidade esperada de rolos que teriam menos de 5 defeitos em uma amostra de 80
rolos de 200 metros.

Solução -----------------------------------------------------------------------------------------------------------------

Veja que a variável X = “número de defeitos em um rolo com 200 metros” segue a distribuição
de Poisson λ = 8 defeitos (note que dois defeitos a cada 50 metros equivalem a oito defeitos a
cada 200 metros), porém vamos usar a aproximação normal com µ = λ = 8 e
8284 , 2 8 = = λ = σ .

a) P(“Doze ou mais defeitos”) = P(X ≥ 12) = P(Z ≥ 1,41) = 0,0793

b) P(“de menos de 5 defeitos”) = P(X < 5) = P(Z < -1,06) = 0,1446

Veja que 14,46% dos rolos de 200 metros apresentam menos de 5 defeitos, então de uma
amostra de 80 rolos espera-se que 12 (14,46% de 80) rolos tenham menos de 5 defeitos.










7
Alguns falam λ ≥ 10

λ ≥ 5

Estatística Básica − 42 − prof. José Aguinaldo
4.3.3 Aproximação Normal com correção de continuidade
Quando usamos a aproximação Normal para a Binomial e/ou Poisson, estamos aproximando
uma variável discreta (que só assumem valores inteiros) por uma variável contínua (que pode
assumir quaisquer valores dentro de um intervalo de número reais). È de se esperar que
algum ajuste deva ser feito. Este ajuste é denominado de correção de continuidade e esta
descrita em outra seção.

A correção de continuidade ajuda a melhorar as probabilidades obtidas por meio da
aproximação normal para a Binomial e/ou Poisson. A correção é simplesmente somar ou
subtrair 0,5 ao valor (antes de obter as probabilidades).

P(X ≤ a) = P(X ≤ a + 0,5)
P(X ≥ a) = P(X ≥ a - 0,5)
P(X = a) = P(a - 0,5 ≤ X ≤ a + 0,5)

EXEMPLO 23 - Volte ao exemplo 20 e use a aproximação normal com correção de
continuidade.

Solução ---------------------------------------------------------------------------------------------------------------

a) P(“menos de 10 famílias”) = P(X < 10) = P(X ≤ 9) ≈ P(X ≤ 9,5)
5777 , 3
16 5 , 9 x
z 5 , 9 x

=
σ
µ −
= → = = -1,82

Então: P(X < 10) ≈ P(X ≤ 9,5) = P(Z < -1,82) = 0,5 – 0,4656 = 0,0344


<<< continuar >>>

EXEMPLO 24 - Volte ao exemplo 22 e use a aproximação normal com correção de
continuidade.

Solução ----------------------------------------------------------------------------------------------------------------

a) P(“Doze ou mais defeitos”) = P(X ≥ 12) = P(X ≥ 11,5) = ....
Resposta: 0,1057

b) P(“de menos de 5 defeitos”) = P(X < 5) = P(X ≤ 4) = P(X ≤ 4,5) = ...
Resposta: 0,1057











Estatística Básica − 43 − prof. José Aguinaldo
5 Exercícios resolvidos
EXERCÍCIO 01 - (Corrar e Theóphilo, 2003) A empresa Masters & Doctos é uma
empresa de prestação de serviços de auditoria independente e consultoria empresarial. A
diretoria da empresa precisa decidir quanto à contratação de um novo gerente de projetos. As
alternativas propostas foram:

Contratar um gerente para projetos de auditoria ou
Contratar um gerente para projetos de consultoria.

A tabela abaixo resume os retornos proporcionados pela decisão tomada em dois possíveis
cenários (mercado em alta ou mercado em baixa). Por exemplo, a contratação de um gerente
de consultoria pode representar um retorno de $360.000, caso o mercado esteja em alta
8
ou
um prejuízo de $50.000, caso o mercado esteja em baixa.

Contratar Gerente de Consultoria Contratar Gerente de Auditoria
Cenário Probabilidade
Retorno
(em mil)
Cenário Probabilidade
Retorno
(em mil)
Mercado em
ALTA
0,80 360
Mercado em
ALTA
0,80 240
Mercado em
BAIXA
0,20 -50
Mercado em
BAIXA
0,20 5

Supondo que a probabilidade do mercado estar em ALTA seja 0,80 e do mercado estar em
BAIXA seja 0,20, responda:

a) Caso o gerente de consultoria seja contratado, calcule o valor esperado do retorno.
b) Caso o gerente de auditoria seja contratado, calcule o valor esperado do retorno.
c) Com base nos resultados obtidos em “a” e “b”, qual deveria ser a melhor decisão para a
empresa?
d) Calcule o coeficiente de variação dos retornos em cada proposta. Qual proposta
apresenta menor risco nos retornos? Obs: Em análise financeira, investimento com
menor variabilidade tem menor risco.

SOLUÇÃO ----------------------------------------------------------------------------------------------------------------

a) Caso o gerente de Consultoria seja contratado, calcule o valor esperado do retorno.

E(R
Consultoria
) = µ
C
= ∑[x
i
*f
i
] = [360*0,80] + [(-50)*0,20] = $278 mil

b) Caso o gerente de Auditoria seja contratado, calcule o valor esperado do retorno.

E(R
Auditoria
) = µ
A
= ∑[x
i
*f
i
] = [240*0,80] + [5*0,20] = $193 mil

c) Com base nos resultados obtidos em “a” e “b”, qual deveria ser a melhor decisão para a
empresa?

Contratar o gerente de consultoria, pois o retorno esperado (ou seja, retorno médio) é maior.



8
Uma alta demanda por serviços de consultoria.

Estatística Básica − 44 − prof. José Aguinaldo
d) Calcule o coeficiente de variação dos retornos em cada proposta. Qual proposta
apresenta menor risco nos retornos? Obs: Em análise financeira, investimento com
menor variabilidade tem menor risco.

• •• • Contratando gerente de Auditoria

µ
A
= ∑[x
i
*f
i
] = $193 mil

Variância: σ
2
A
= ∑(x
i
−µ
A
)
2
*fi = (240 -193)
2
*0,80 + (5 -193)
2
*0,20 = 8836

Desvio-padrão = σ
A
= RAIZ(8836) = $94 mil

→ CV = σ
A
/ µ
A
= 94 / 193 = 0,487 (ou 48,7%)

• •• • Contratando gerente de Consultoria

µ
C
= ∑[x
i
*f
i
] = 278 mil $

Variância: σ
2
A
= ∑(x
i
−µ
C
)
2
*fi = (360 – 278)
2
*0,80 + (-50 - 278)
2
*0,20 = 26896

Desvio-padrão = σ
A
= RAIZ(26896) = $164 mil $

→ CV = σ
A
/ µ
A
= 164 / 278 = 0,59 (ou 59%)

• •• • Então, a proposta com menor risco é “Contratando gerente de Auditoria”, pois apresenta
menor CV.
EXERCÍCIO 02 - De acordo com pesquisa da Fecomércio-RJ (Federação do Comércio
do Rio de Janeiro), em parceria com o Instituto Ipsos, 42% dos brasileiros assumiram que
compraram produtos piratas em 2007. Considere uma amostra de 6 brasileiros escolhidos ao
acaso, determine a probabilidade.
a) De todos deles comprarem produtos piratas.
b) De menos de dois deles comprar produtos piratas
c) De pelo menos um deles comprar produtos piratas.
d) De apenas dois deles não comprarem produtos piratas.

SOLUÇÃO ----------------------------------------------------------------------------------------------------------------
A variável X = “Número de brasileiros que compram produtos piratas em 2007” segue a
distribuição Binomial com n = 6 e p = 0,42.
• Por que foi escolhida a distribuição Binomial ???
Porque cada um dos 6 brasileiros escolhidos representa um experimento simples de Bernoulli
com probabilidade de sucesso (que é de comprar produtos piratas) igual a 0,42.
“Um experimento de Bernoulli se caracteriza quando temos um experimento com apenas
dois resultados (sucesso e fracasso) sendo a probabilidade de sucesso igual a p”

a) P(“todos comprarem”) = P(X = 6) = 0,0055
f(6) =
6 6 6
58 , 0 42 , 0
)! 6 6 ( ! 6
! 6

⋅ ⋅
− ⋅
= 0,0055
Lembre-se
0! = 1 (por definição) e 6! = 6x5x4x3x2x1 = 720


Estatística Básica − 45 − prof. José Aguinaldo
b) P(“menos de dois ...”) = P(X < 2) = f(0) + f(1) = 0,0381 + 0,1654 = 0,2035
f(0) =
0 6 0
58 , 0 42 , 0
)! 0 6 ( ! 0
! 6

⋅ ⋅
− ⋅
= 0,0381 f(1) =
1 6 1
58 , 0 42 , 0
)! 1 6 ( ! 1
! 6

⋅ ⋅
− ⋅
= 0,1654
c) P(“pelo menos um ...”) = P(X ≥ 1) = 1 – P(X < 1) = 1 – f(0) = 1 – 0,0381 = 0,9619
Lembre-se da seguinte dica
P(“pelo menos um comprar ...”) = 1 – P(“nenhum comprar ...”)

c) P(“apenas dois deles não comprarem”) = P(“apenas quatro comprarem”) = f(4) = 0,1570
= f(4) = 0,1570
f(4) =
4
, ,
)! ( !
!

⋅ ⋅
− ⋅
6 4
58 0 42 0
4 6 4
4
= 0,1570

OBS: Note que se dois não compraram, significa que quatro compraram.
Ou, podemos também trocar a probabilidade de sucesso p = 0,42 para 0,52 (pois 52% dos
brasileiros não compram produtos piratas em 2007)
f(2) =
2 6 2
42 , 0 58 , 0
)! 2 6 ( ! 6
! 6

⋅ ⋅
− ⋅
= 0,1570
EXERCÍCIO 03 - O tempo necessário para realizar auditoria de balanços contábeis
segue aproximadamente uma distribuição normal com média de 40 minutos e desvio-padrão de
12 minutos.

a) Supondo que uma empresa de contabilidade pública irá realizar uma auditoria, determine
a probabilidade de a empresa:
i) Gastar mais de 75 minutos com a auditoria;
ii) Gastar de 55 minutos a 70 minutos;
iii) Gastar de meia hora a uma hora;
b) Se a empresa tiver 50 balanços contábeis para ser auditadas, quantas delas levarão
menos de 20 minutos? Obs: Inicialmente, calcule a probabilidade de se gastar menos de 20 minutos.
c) Cerca de 20% das auditorias gastam mais de k minutos. Determine o valor de k.

Solução ------------------------------------------------------------------------------------------------------------------

Definindo a variável X = “tempo para realizar auditoria”, temos que X segue a distribuição
normal com µ = 40 min e σ = 12 min
OBS: No cálculo de probabilidades usando a distribuição normal, ajuda muito quando
desenhamos a curva normal com as regiões de interesse sombreadas.

a)
i) P(X > 75) = P(Z > 2,92) = 0,5 – área[0; 2,92) = 0,5 – 0,498250 = 0,00175
onde z = (75 - 40)/12 = 2,92

OBS: área[0; 2,92] na TABELA = 0,498250

0
40 75
x
= 0,5 - 0,498250
= 0,00175

Estatística Básica − 46 − prof. José Aguinaldo
ii) P(55 ≤ X ≤ 70) = P(1,25 ≤ Z ≤ 2,50) = área[0; 2,5] – área[0; 1,25]
= 0,493790 - 0,394350 = 0,099440
onde z = (55-40)/12 = 1,25 área[0; 1,25] = 0,394350
z = (70-40)/12 = 2,50 área[0; 2,50] = 0,493790




iii) P(30 ≤ X ≤ 60) = P(-0,83 ≤ Z ≤ 1,67) = 0,296731 + 0,452540 = 0,749271
onde z = (30-40)/12 = -0,83 área[0; -0,83] = área[0; 0,83] = 0,296731
z = (60-40)/12 = 1,67 área[0; 1,67] = 0,452540




b) P(X < 20) = P(Z < -1,67) = 0,5 - 0,452540 = 0,0475 (ou seja, 4,75%)
4,75% de 50 = 2,4 ≈ 2 balanços. Do total de 50 balanços, espera-se que dois deles levem
menos de 20 minutos para serem auditadas.
*** Ou usar regra de três
100% ------ 50 x = 4,75* 50 / 100 = 2,4
4,75% ------ x

c) P(X > k) = P(Z > z
c
) = 0,20
Fazendo o desenho da curva normal e sombreando corretamente as regiões, veremos que
P(Z > z
c
) = 0,20 implica que P(0 ≤ Z ≤ z
c
) = 0,30 e, pela tabela normal padrão, temos z
c
= 0,84.
Agora, basta resolver a equação
z
c
= (k - µ)/ σ = 0,84 → ( k – 40) = 0,84*12 = 10,08 → k = 50,08 min












0
= 0,493790 - 0,394350
= 0,099440
40 55 70
x
30 40 60 x
= 0,296731 + 0,452540
= 0,749271
0
40 k = ?
x
0,20
0,30

Estatística Básica − 47 − prof. José Aguinaldo
EXERCÍCIO 04 - Sabe-se que pequenos defeitos em folhas de compensado seguem a
distribuição de Poisson com uma média de dois defeitos por metro quadrado.

a) Qual a probabilidade de aparecer no mínimo três defeitos em uma folha com 1 metro
quadrado?
b) Qual a probabilidade de aparecer mais de um a três defeitos em uma folha com 1 metro
quadrado?
c) Qual a probabilidade de aparecer no máximo dois defeitos em uma folha de 1,50 metros x
2,20 metros?
Solução -----------------------------------------------------------------------------------------------------------------
A variável X = “número de defeito por metro quadrado” segue a distribuição de Poisson com
média de λ = 2 defeitos/m
2
. A função probabilidade de X é
( )
! x
e
x f
x λ −
λ
= com x = 0, 1, 2, ... e = 2,7183
a) P(“aparecer no mínimo três defeitos em uma folha”) = P(X ≥ 3) = 0,3233
P(X ≥ 3) = 1 – P(X < 3) = 1 − [f(2) + f(1) + f(0)]

OBS: Optamos por usar o complemento, pois P(X ≥ 3) envolveria calcular a probabilidade
de f(3), f(4), f(5) e assim sucessivamente, o que seria nada prático de se fazer.

Vamos primeiro calcular f(2), f(1) e f(0) separadamente.

• ( )
2
13534 , 0 4
! 2
e 2
2 f
2 2

= =

= 0,2707 ( )
1
13534 , 0 2
! 1
e 2
1 f
2 1

= =

= 0,2707
• ( )
1
13534 , 0 1
! 0
e 2
0 f
2 0

= =

= 0,1353

e
−2
= (2,7183)
-2
= (1/2,7183)
2
= (0,36788)
2
= 0,1353 (ou use a função = exp(-2) no Excel)

P(X ≥ 3) = 1 − [ f(3) + f(2) + f(1) ] = 1 – (0,2707+0,2707+0,1353)
= 1 – 0,6767 = 0,3233 ( ou 32,33%).
RESPOSTA: A probabilidade de aparecer no mínimo 3 defeitos em uma folha com um
metro quadrado é de 0,3233

b) P(“aparecer de um a três defeitos ... ”) = P(X ∈ [1; 3]) = P(1 ≤ X ≤ 3)
= f(1) + f(2) + f(3) = 0,7218
• ( )
1
13534 , 0 2
! 1
e 2
1 f
2 1

= =

= 0,2707 ( )
2
13534 , 0 4
! 2
e 2
2 f
2 2

= =

= 0,2707
• ( )
6
13534 , 0 8
! 3
e 2
3 f
2 3

= =

= 0,1804
P(1 ≤ X ≤ 3) = 0,2707 + 0,2707 + 0,1804 = 0,7218 ( ou 72,18%).

RESPOSTA: A probabilidade de aparecer de um a três defeitos em uma folha com um metro
quadrado é de 0,7218


Estatística Básica − 48 − prof. José Aguinaldo
c) P(“aparecer no máximo dois defeitos em uma folha de 1,50 metros x 2,20 metros”)
= P(X ≤ 2)

Aqui temos uma folha com as seguintes dimensões 1,50 metros x 2,20 metros o que daria
uma área de 1,5 x 2,2 = 3,30 metros quadrados. Neste caso ainda podemos usar a
distribuição de Poisson, porém temos que alterar a média λ.
Usando a regra de três simples
2 defeitos -------------- 1 m
2
λ
*
defeitos ------------- 3,30 m
2


λ
*
= (2 x 3,30)/1 = 6,6 defeitos em folhas com 3,3 m
2


P(X ≤ 2) = f(0) + f(1) + f(2)
• ( )
1
00136 , 0 1
! 0
e 6 , 6
0 f
6 , 6 0

= =

= 0,00136 ( )
1
00136 , 0 6 , 6
! 1
e 6 , 6
1 f
6 , 6 1

= =

= 0,00898
• ( )
4
00136 , 0 56 , 43
! 2
e 6 , 6
2 f
6 , 6 2

= =

= 0, 02963

P(X ≤ 2) = f(0) + f(1) + f(2) = 0,001360 + 0,00898 + 0,02963 = 0,03997 ( ou ≈ 4%).

RESPOSTA: A probabilidade de aparecer no máximo dois defeitos em uma folha com 1,5 x 2,2
metros é 0,04.
EXERCÍCIO 05 - Volte ao EXERCÍCIO 2, mas agora considere que a amostra aleatória
foi de 60 brasileiros. Responda os itens abaixo usando a aproximação normal.

a) Qual o valor esperado (µ) e o desvio-padrão (σ) da variável X = “número de brasileiros
amostrados que compram produtos piratas”.
b) Qual a probabilidade de, no máximo, 20 desses brasileiros terem comprado produtos
piratas?
c) Qual a probabilidade de mais da metade desses brasileiros terem comprado produtos
piratas? obs: “... mais da metade ...” = “ ... mais de 30 (= metade de 60) ...”
d) Qual a probabilidade de exatamente 55% desses brasileiros terem comprado produtos
piratas? obs: “... exatamente 55% ...” = “ ... exatamente 33 (= 55% de 60) ...”
Solução ---------------------------------------------------------------------------------------------------------------
a)
A variável X = “Número de brasileiros que compraram produtos piratas em 2007” segue a
distribuição Binomial com n = 60 e p = 0,42.

Para usar a aproximação normal as condições n∗p ≥ 5 e n∗(1-p) ≥ 5 devem ser satisfeitas
n∗p = 60 ∗ 0,42 = 25,2 ≥ 5 ok e
n∗(1-p) = 60 ∗ 0,58 = 34,8 ≥ 5 ok




Estatística Básica − 49 − prof. José Aguinaldo
Como as duas condições acima foram satisfeitas, então podemos usar a aproximação Normal
para distribuição Binomial.
Sendo assim, a variável X tem aproximadamente distribuição normal com média µ = n∗p = 25,2
e desvio-padrão q p n ⋅ ⋅ = σ = 3,823.
RESPOSTAS:
Média: µ = n∗p = 60*0,42 = 25,2 brasileiros
desvio-padrão: 616 , 14 58 , 0 42 , 0 60 q p n = ⋅ ⋅ = ⋅ ⋅ = σ = 3,823 brasileiros

b) P(“no máximo 20 comprarem ...”) = P(X ≤ 20) = P(Z ≤ -1,36)
= 0,5 – 0,413085 = 0,086915
onde z = (20-25,2)/3,823 = -1,36 área[0; -1,36] na TABELA NORMAL = 0,413085 (Faça
o desenho da curva normal com a área sombreada)

c) P(“mais da metade comprarem ...”) = P(X > 30) = P(Z > 1,26)
= 0,5 - 0,396165 = 0,103835
onde z = (30-25,2)/3,823 = 1,26 área[0; 1,26] na TABELA NORMAL = 0,396165 (Faça o
desenho da curva normal com a área sombreada)

d) P(“exatamente 55% desses brasileiros comprarem ...”) = P(X = 33) = P(Z = 2,04) = 0
onde z = (33 - 25,2)/3,823 = 2,04
Em (d) o valor obtido não é foi uma boa aproximação, pois se usássemos modelo Binomial
(que seria o mais correto) para calcular P(X = 33) o valor obtido seria diferente de zero.
A aproximação normal poderia ser melhorada usando o que chamamos de correção de
continuidade. Esta correção seria simplesmente somar e subtrair 0,5 do valor 33 antes de
calcular a probabilidade. Então, em vez de calcular a probabilidade P(X = 33) deveríamos
calcular a probabilidade de X estar dentro do intervalo [32,5 ; 33,5].
P(32,5 ≤ X ≤ 33,5) = P(1,91 ≤ Z ≤ 2,17) = 0,484997 – 0,471933 = 0,013063 (valor aproximado)
onde z = (32,5-25,2)/3,823 = 1,91 área[0; 1,91] na TABELA NORMAL = 0,471933
z = (33,5-25,2)/3,823 = 2,17 área[0; 2,17] na TABELA NORMAL = 0,484997


OBS: Usando o modelo Binomial teríamos f(33) = 0,013313 (valor exato)








Estatística Básica − 50 − prof. José Aguinaldo
6 Exercícios propostos
EXERCÍCIO 01 - Um dado honesto é lançado duas vezes para cima de forma
independente. Construa a distribuição de probabilidade da variável aleatória X = “soma das
faces voltadas para cima”.
EXERCÍCIO 02 - A tabela abaixo mostra distribuição de probabilidade para o lucro obtido
nas vendas diárias de uma peça

x
Lucro em $
-20 -5 40 70 120 150
f(x)
Probabilidade
0,05 0,10 0,35 k 0,25 0,15

a) Determine o valor de k, de forma que a tabela acima seja realmente uma distribuição
de probabilidade.
b) Qual é a probabilidade de o estabelecimento não ter prejuízo.
c) Qual seria o lucro diário esperado nas vendas das peças.
d) Calcule o desvio-padrão do lucro diário.
e) Qual seria o lucro mensal esperado nas vendas das peças.
Obs: 1 mês = 30 dias
EXERCÍCIO 03 - Suponha que os pesos de uma peça apresentam uma média de 25 kg
e desvio-padrão de 3 kg. Essa peça deverá ser embalada em uma caixa que pesa em média 2
kg com desvio-padrão de 1 kg. Qual será a média e o desvio-padrão da peça embalada?
EXERCÍCIO 04 - Uma prova tem 6 questões com quatro alternativas cada uma. Um
aluno não estudou para a prova e resolveu “chutar” as questões. Determine a probabilidade de
o aluno:
a) Acertar no máximo 1 questão
b) Acertar todas as questões
c) Acertar pelo menos uma questão
d) Errar no máximo uma questão.
EXERCÍCIO 05 - O gerente da loja XYZ sabe que 80% dos clientes que entram na loja
fazem algum tipo de compras. Vamos considere os próximos 6 clientes que entrarão na loja e
que X = “número de clientes que farão alguma compra”.


x 0 1 2 3 4 5 6
f(x) 0,00006 ? 0,01536 ? 0,24576 0,39322 ?

a) Complete a distribuição de probabilidade para a variável X.
b) Qual a probabilidade de menos de 3 clientes realizarem alguma compra?
c) Qual a probabilidade de mais de 4 clientes realizarem alguma compra?






Estatística Básica − 51 − prof. José Aguinaldo
EXERCÍCIO 06 - Sabe-se que 5% das peças são fabricadas com defeito. Um grande lote
com peças será rejeitado se uma amostra de 20 peças apresentarem 3 ou mais peças
defeituosas, qual a probabilidade de o lote ser rejeitado?

Resposta: P(X ≥ 3 ) = 0,07548

EXERCÍCIO 07 - Sabe-se que 10% das pessoas são canhotas em certa empresa. No
setor XYZ dessa empresa trabalham 25 funcionários.
a) Qual o número esperado de funcionários canhotos no setor XYZ?
b) Determine a probabilidade de:
• Haver mais de 3 canhotos no setor XYZ
• Haver nenhum canhoto no setor XYZ

Resposta: µ = 2,5 P(X > 3) = 0,23641 f(0) = 0,07179
EXERCÍCIO 08 - Testes indicam que o tempo de duração das geladeiras da marca XYZ
tem distribuição normal com média de 72 meses e desvio-padrão de 18 meses.

a) O fabricante estipulou como garantia um prazo máximo de 6 meses, período no qual ele
ficará obrigado de consertar qualquer defeito que surgir no equipamento. Determine a
probabilidade de uma geladeira estragar durante a garantia.
b) Se forem vendidas 150 mil geladeiras durante um ano, qual o número esperado de
geladeiras que o fabricante deverá consertar durante o prazo da garantia?
c) Sabendo que 98% das geladeiras conseguem durar mais de k meses, determine o valor de
k.

Respostas: a) 0,000121 b) cerca de 18 geladeiras c) k = 108,9 meses
EXERCÍCIO 09 - Sabe-se que 10% das pessoas que estão na fila de um banco desistem
de permanecer na fila. Em uma fila com 100 pessoas,
a) Calcule, usando a aproximação normal, a probabilidade de menos de oito pessoas
desistirem de permanecer na fila.
b) Calcule, usando a aproximação normal, de mais de um quarto das pessoas
desistirem de permanecer na fila.

Respostas: µ = 10 σ = 3
a) P(X < 8) = P(z < -0,67) = 0,25143
b) mais de ¼ equivale dizer mais de 25% de 100 = 25, então P(X > 25) = P(z > 5) = 0,0
EXERCÍCIO 10 - m exame de múltipla escolha foi elaborado com 10 questões, cada uma
com quatro opções. A aprovação no exame exige do aluno que ele acerte pelo menos 60% da
prova. Um aluno nada estudou e está pretendendo “chutar” as questões.
a) Qual a probabilidade de ele acertar todas as questões?
b) Qual a probabilidade de ele errar oito questões?
c) Qual a probabilidade de ele ser aprovado no exame?
d) Qual o número esperado de questões que este aluno acertaria?

Respostas:
a.) p(10) = 0,0000009537
b.) “errar 8 questões” ⇒ “acertar 2 questões” Então, p(2) = 0,18771
c.) P(ser aprovado) = P(acertar no mínimo 6 questões) = p(6) + p(7) + p(8) + p(9) + p(10) = 0,01973
d.) número médio de questões corretas = µ = n⋅p = 2,5 questões (de 2 a 3 questões)



Estatística Básica − 52 − prof. José Aguinaldo
EXERCÍCIO 11 - Uma fabrica de chocolate comercializa barras de chocolate que pesam
em média 200 gramas. Os pesos são normalmente distribuídos com uma desvio-padrão de 40
gramas.
a) Qual a probabilidade de uma barra de chocolate escolhida ao acaso pesar de 200 a 250
gramas?
b) Qual a probabilidade de uma barra de chocolate escolhida ao acaso pesar menos de 90
gramas?
c) Qual o número esperado de barras de chocolate com peso superior a 230 gramas, se
você comprasse 20 barras?

Respostas:
a.) P(200 ≤ X ≤ 250) = P(0 ≤ Z ≤ 1,25) = 0,3944 (ou 39,44%)
b.) P(X < 90) = P(Z < -2,75) = 0,003 (ou 0,3%)
c.) P(X > 230) = P( Z > 0,75) = 0,2266 (ou 22,66%) 22,66% de 20 = 4,5 barras (de 4 a 5 barras)
EXERCÍCIO 12 - Um banco recebe em média 6 cheques sem fundo por dia. Qual é a
probabilidade de que ele receba:
a) nenhum cheque sem fundo um determinado dia?
b) 4 cheques sem fundo durante um determinado dia?
c) pelo menos um cheque sem fundo um determinado dia?
d) um cheque sem fundo da Terça-feira?
e) dez cheques sem fundo durante um determinado dia?
f) dez cheques sem fundo em um intervalo de dois dias seguidos?
DICA: Apesar de não estar falando do modelo a ser utilizado, note que o modelo de POISSON é o mais adequado, pois
temos a informação de uma taxa média de 6 cheques sem fundos durante o intervalo de um DIA (λ = 6
cheques/dia). O modelo Binomial não é aplicado aqui, pois não temos a probabilidade de sucesso (p) e nem o
número de tentativas (n) independentes.
Repostas
a) 0,002479 b) 0.13385 c) 0,997521 d) 0,014873 e) 0.04130 f) 0.10484
EXERCÍCIO 13 - Seu computador na empresa onde trabalha recebe e-mail a uma taxa
média de 2 e-mails a cada cinco minutos. Durante uma hora de serviço qual a probabilidade de
você ter recebido mais de trinta e-mails (usando a aproximação Normal para Poisson).

Resposta: P(X > 30) = P(Z > 1,22) = 0,1112 (sem correção de continuidade)
P(X > 30) = P(X > 30 +0,5) = P(X > 30,5) = P(Z > 1,33) = 0,0918 (com correção de continuidade)

Estatística Básica − 53 − prof. José Aguinaldo
7 Bibliografia

• BRUNI, Leal Adriano, Estatística Aplicada à Gestão Empresarial, São Paulo: Editora
Atlas. 2ª Edição, 2008.

• LEVINE, David M.; STEPHAN, David; KREHBIEL, Timothy C.; BERENSON, Mark L..
Estatística: Teoria e Aplicações usando Microsoft Excel em Português. 5 ed.. Rio de
Janeiro: LTC - Livros Técnicos e Científicos. 2005.

• TRIOLA, Mario F. Introdução à estatística. Rio de Janeiro: LTC - Livros Técnicos e
Científicos, c2005. 656p.

• MARTINS, Gilberto de Andrade, Estatística Geral e Aplicada. São Paulo, Editora Atlas,
2005.

SUMÁRIO

1. 2.

Introdução ............................................................................................................................. 3 Variável aleatória .................................................................................................................. 3 2.1 2.2 2.3 Definição e classificação ............................................................................................... 3 Distribuição de probabilidade (caso discreto) ............................................................... 4 Valor esperado e variância e suas propriedades. ......................................................... 6

3.

Distribuição de probabilidade - Variáveis discretas .............................................................. 9 3.1 3.2 3.3 Distribuição de Bernoulli .............................................................................................. 10 Distribuição Binomial ................................................................................................... 11 Distribuição de Poisson ............................................................................................... 18

4.

Distribuição de probabilidade – Variável contínua ............................................................. 23 4.1 4.2 4.3 Distribuição Uniforme .................................................................................................. 27 Distribuição Normal ..................................................................................................... 30 Aproximação Normal ................................................................................................... 39 Aproximação Normal para Binomial .................................................................... 39 Aproximação Normal para Poisson ..................................................................... 41 Aproximação Normal com correção de continuidade ......................................... 42

4.3.1 4.3.2 4.3.3 5 6 7

Exercícios resolvidos ...................................................................................................... 43 Exercícios propostos ...................................................................................................... 50 Bibliografia ...................................................................................................................... 53

1. Introdução
No estudo sobre probabilidades, iniciamos com o conceito de experimento aleatório e espaço amostral. O espaço amostral, como foi visto, consiste de todos os resultados possíveis de um experimento aleatório. No caso de lançar uma moeda duas vezes, o espaço amostral seria {KK, KC, CK, CC} com K indicando cara e C indicando coroa. Em vez de trabalhar com o espaço amostral {KK, KC, CK, CC} podemos definir uma variável de nosso interesse e associar cada resultado dessa variável à um resultado do espaço amostral. Esta variável é denominada de variável aleatória e o conjunto formado pelos valores desta variável e suas respectivas probabilidades é denominado de distribuição de probabilidade.

2. Variável aleatória
2.1 Definição e classificação
A variável aleatória é uma função que associa um valor numérico do conjunto de números reais (ℜ) à cada ponto do espaço amostral (Ω). De uma forma menos formal, podemos dizer que a variável aleatória é uma variável quantitativa, cujo resultado (valor) depende do acaso (fatores aleatórios).

Variável aleatória A variável aleatória é uma função que associa um número do conjunto de números reais (ℜ) à ℜ cada resultado do espaço amostral (Ω). Ω Portanto, a variável aleatória é uma variável quantitativa, cujo resultado depende de fatores aleatórios. O fator aleatório usado aqui é para explicar que não podemos antecipar exatamente o resultado que irá sair, pois isso dependerá do acaso. Classificação do tipo das variáveis aleatórias Uma variável aleatória pode ser classificada em discreta ou contínua e é comum denota-la pelas letras latinas maiúsculas X, Y, Z, etc e os valores observados pelas letras minúsculas x, y, z, etc

Estatística Básica

−3−

prof. José Aguinaldo

VARIÁVEL ALEATÓRIA DISCRETA CONTÍNUA

Os possíveis resultados estão contidos em um Os possíveis valores estão contidos em um conjunto finito ou contável de resultados. Os conjunto infinito ou incontável de resultados. valores vêm de uma CONTAGEM. Os valores vêm de uma MENSURaÇÃO X = “número de filhos por família” x = {0, 1, 2, ...} Y = “número de peças com defeitos em uma caixa com 20 peças” y = {0, 1, 2, ... 20} X = “tempo de vida de lâmpadas” x ∈ [0 ; ∞ ) Y = “tempo diário de uso do computador” y ∈ [0 ; 24]

2.2 Distribuição de probabilidade (caso discreto)
Conhecer quais os resultados possíveis de uma variável aleatória não é suficiente, também devemos saber qual é a probabilidade de cada resultado ocorrer. O conjunto formado pelos resultados da variável X e suas respectivas probabilidades é denominado de distribuição de probabilidade. A distribuição de probabilidade nos permite verificar a “forma” como os valores estão distribuídos (quais os mais comuns e os menos comuns). O gráfico abaixo mostra a distribuição de probabilidade para a variável aleatória X = “número de e-mails que chegam durante uma hora”. Pelo gráfico, nota-se que é mais provável chegar 2 ou 3 e-mails em uma hora do que chegar 8 e-mails.
0,25

0,20

Probabilidade

0,15

0,10

0,05

0,00 0 1 2 3 4 5 Número de e-mails 6 7 8

Estatística Básica

−4−

prof. José Aguinaldo

EXEMPLO 01 Uma moeda honesta é lançada duas vezes para cima de forma independente. Construa a distribuição de probabilidade da variável X = “número de caras”. Solução --------------------------------------------------------------------------------------------A coluna 1 da tabela abaixo lista o espaço amostral, a coluna 2 lista os resultados possíveis da variável X e a coluna 3 mostra a probabilidade de ocorrer cada resultado.

Espaço amostral Ω KK KC CK CC

x 2 1 1 0

Probabilidade P(KK) = P(K)⋅P(K) = 0,50⋅0,50 = 0,25 P(KC) = P(K)⋅P(C) = 0,50⋅0,50 = 0,25 P(CK) = P(C)⋅P(K) = 0,50⋅0,50 = 0,25 P(CC) = P(C)⋅P(C) = 0,50⋅0,50 = 0,25

Resumindo a tabela acima temos a seguinte distribuição de probabilidade de X:

Na distribuição de probabilidade, a correspondência entre os valores da variável aleatória X e 1 as respectivas probabilidades é definida pela função de probabilidade que representamos por: f(x) = P(x) = P(X = x) onde f(x) = probabilidade de a variável X assumir o valor x

Característica da função de probabilidade f(x) Uma função de probabilidade deve satisfazer: i) ii) f(xi) ≥ 0 A função f(x) é não-negativa
i

∑ f (x ) = 1
i

A soma das probabilidades deve ser igual a 1.

É bom destacar que a distribuição de probabilidade é uma distribuição teórica, pois reflete o que teoricamente esperamos da variável aleatória e não os valores de fato observados no diaa-dia. Para ilustrar o que foi dita aqui, o gráfico abaixo mostra os resultados observados, quando 15 pessoas lançaram a moeda duas vezes para cima. Note que as proporções
1

A função f(x) é denominada de função probabilidade, quando a variável for discreta. Caso a variável seja contínua, a função f(x) é denominada de função densidade de probabilidade. −5−

Estatística Básica

prof. José Aguinaldo

50 2 0.25 3 0. também podemos sintetizar uma distribuição de probabilidade calculando essas mesmas medidas descritivas. f ( x 2 ). 10 9 (60%) 8 Frequência 6 4 (27%) 4 2 (13%) 2 0 0 1 Número de caras 2 EXEMPLO 02 - A tabela abaixo caracteriza uma distribuição de probabilidade? Justifique.3 Valor esperado e variância e suas propriedades.L . f ( x N ) . José Aguinaldo .25 1 0. x 2 . Suponha que a variável aleatória discreta X pode assumir os valores x1 . Então: • O valor esperado (ou valor médio) da variável X é: E ( X ) = µ = ∑ x i f ( xi ) • A variância da variável X é: Var ( X ) = σ 2 = Var ( X ) = σ 2 = • ∑ (x ∑x i − µ )2 f ( xi ) f ( xi ) − µ 2 ou (fórmula alternativa) 2 i O desvio-padrão da variável X é: dp( X ) = σ = Var ( X ) Onde x i f ( x i ) = x1 f ( x1 ) + x 2 f ( x 2 ) + L + x N f ( x N ) ∑ ∑ (x i − µ )2 f ( x i ) = ( x1 − µ )2 f ( x1 ) + (x 2 − µ )2 f ( x 2 ) + L + (x N − µ )2 f ( x N ) Estatística Básica −6− prof. mas as diferenças são pequenas.25 2. variância. desvio-padrão. Da mesma forma que sintetizamos os dados de uma amostra calculando a média. x N com as respectivas probabilidades de ocorrência f ( x1 ). L . mediana.observadas de caras não são exatamente iguais às probabilidades que esperamos teoricamente. x P(x) 0 0. quartil etc.

a unidade da variância é sempre ao quadrado) Agora vamos calcular o desvio-padrão da variável X 2 σ = variância = 1.25 (ou 25%) b) c) d) Valor Esperado µ= x i f ( x i ) = 0 ⋅ 0.20 + (1 − 1.25 + 2 ⋅ 0. P(X > 5) d) Determine o valor esperado de filhos (ou seja.20 1 0.30 + (3 − 1.25 + (2 − 1.∑x 2 i 2 2 2 f ( x i ) = x1 f ( x1 ) + x 2 f ( x 2 ) + L + x N f ( x N ) Propriedades do valor esperado E(X) e variância Var(X) Sejam ‘a’ e ‘b’ duas constantes.25 2 0. Y são independentes EXEMPLO 03 Com dados do último CENSO.788 = 1. 25% tinham apenas um filho. c) P(X ≤ 1). onde Cov(X.788 filho (lembre-se.75 filho ∑ i O número médio do número de filhos por família é de 1. a assistente social de um Centro de Saúde constatou que 20% das famílias de uma região não tinham filhos.75 filhos (quase dois filhos) e) Desvio-padrão da variável X Primeiro vamos calcular a variância de X σ2 = ( x i − µ) 2 f ( x i ) ∑ i = (0 − 1.25313 + 0. então Var(X ± Y) = Var(X) + Var(Y) ± 2⋅Cov(X. b) A probabilidade de uma família tenha pelo menos um filho.05 5 0.20 + 1 ⋅ 0.30 3 0.75)2 0.Y) é a covariância entre X e Y.15 + (4 − 1.75)2 0.05 Pede-se: a) A probabilidade de uma família tenha mais de dois filhos.75)2 0.14063 + 0.15 + 4 ⋅ 0. Solução -----------------------------------------------------------------------------------------------------------------a) P(“família ter mais de dois filhos”) = P(X > 2) = f(3) + f(4) + f(5) = 0.05 + 5 ⋅ 0.75)2 0.Y).05 + (5 − 1. 15% três.34 filho 2 Se X e Y não forem independentes.75)2 0. 30% dois. Estatística Básica −7− prof.05 = 0. José Aguinaldo .01875 + 0.15 4 0. 5% quatro e 5% cinco filhos. Considerando a variável X = “número de filhos por família” x f(x) 0 0. então: Valor Esperado Variância E (b) = b E (aX ± b) = aE ( X ) ± b E ( X ± Y ) = E ( X ) ± E (Y ) Var (b) = 0 Var (aX ± b) = a 2Var ( X ) 2 Var ( X ± Y ) = Var(X) + Var(Y) se X.30 + 3 ⋅ 0.75)2 0.52813 = 1.05 = 1.23438 + 0. o número médio de filhos) e) Determine o desvio-padrão de X.6125 + 0. P(1 ≤ X ≤ 3).

34 filho EXEMPLO 04 Sabendo que E(X) = 10 e Var(X) = 5 e usando as propriedades do valor esperado e variância para calcular E(Y).----------------------------------------------------------------------------------a) Y = 3X + 20 E(Y) = E(3X + 20) = E(3X ) + E(20) = 3 ⋅ E(X ) + 20 = 3 ⋅ 10 + 20 = 50 Var(Y) = Var (3X + 20) = Var (3X) + Var(20) = 32 ⋅ Var(X) + 0 = 9 ⋅ 5 = 45 dp(X) = 45 = 6.05 1 x⋅f(x) ⋅ 0. x 0 1 2 3 4 5 Total • • f(x) 0.25 1.25 0.30 0.85 – (1.20 0.75 filho 2 2 ∑x i =1 N 2 i f ( x i ) − µ 2 = 4.60 e x2.f(x) 0.30 = 0.80 1.45 0. Y = 5⋅(X – 1/5) + 2X + 10 Y = 5⋅(2 – X) – 4.25 1. e ‘d’ Uma peça deverá ser embalada em uma caixa.788 = 1.f(x) = 22⋅0. ‘c’. Qual OBS: será a média e o desvio-padrão da peça embalada? Para x = 2 e f(x) = 0.30 temos: x⋅f(x) = 2⋅ 0.30 = 1.15 0.85 2 Valor esperado: µ = Variância: σ 2 = ∑x i i f ( x i ) = 1.20 Estatística Básica −8− prof.75 x .25 4.25 0. Solução -----------------------------.60 0.05 0. José Aguinaldo .75) = 1.CÁLCULO ALTERNATIVO De forma alternativa.00 0.788 (filhos) • Desvio-padrão: σ = variância = 1. Var(Y) e dp(Y) nas situações abaixo: a) b) c) d) Y = 3X + 20 Y = 5⋅(X – 4) + 20.00 0.35 0.20 0.20 1. A peça tem peso médio de EXEMPLO 05 25 kg e desvio-padrão de 3 kg e a caixa tem peso médio de 2 kg e desvio-padrão de 1 kg. podemos calcular o valor esperado e a variância usando uma tabela no EXEMPLO 3.71 Agora resolvam a ‘ b’.

Retorno em dólares para cada 1000 dólares investidos em cada situação econômica Situação Investimento Investimento Investimento Probabilidade econômica A B C Recessão 0.EXEMPLO 06 Você tem a sua disposição três investimentos (A. Distribuição Exponencial. B. obter a sua distribuição de probabilidade.20 -30 0 -30 Estagnação 0. etc. Por exemplo. C). Distribuição Qui-quadrado. Estatística Básica −9− prof.30 60 20 0 a) Qual dos três investimentos você escolheria aplicar? Baseie sua resposta no valor esperado dos investimentos. Alguns desses modelos probabilísticos estão citados logo abaixo: Modelos para variável discretas Distribuição de Bernoulli. José Aguinaldo . quanto para as variáveis aleatórias contínuas. bem como a probabilidade de que cada uma dessas condições econômicas venha a ocorrer. que associa as probabilidades à cada valor da variável em estudo. 3. etc.50 40 52 76 Crescimento 0. Distribuição Geométrica. A tabela a seguir mostra o retorno anual (para cada 1000 dólares investidos) de cada um desses investimentos sob condições econômicas distintas. Distribuição Hipergeométrica.Variáveis discretas No estudo de um problema real do dia-a-dia. maior será o risco do investimento. Distribuição Lognormal. freqüentemente deparamos com situação onde devemos tomar alguma decisão com o auxilio das probabilidades. b) Qual dos três investimentos é o de menor risco? Em investimentos. tanto para as variáveis aleatórias discretas. sabe-se que quanto maior a variabilidade. Distribuição Binomial. Com os modelos probabilísticos podemos calcular a probabilidade de um resultado acontecer sem ter que coletar previamente os dados. permitindo assim. Há uma variedade de modelos probabilísticos. Distribuição de probabilidade . O comportamento da variável de interesse pode ser descrito por uma expressão matemática. Modelos para variáveis contínuas Distribuição Uniforme. Distribuição de Poisson. no estudo do dimensionamento de um estacionamento. Distribuição Normal. o número de carros que entram no estacionamento por hora é uma variável de interesse e o conhecimento da distribuição de probabilidade dessa variável seria de grande auxílio. denominada de modelo probabilístico.

onde somente dois resultados são possíveis (sucesso ou fracasso). P(ocorrer sucesso) = P(S) = p P(ocorrer fracasso) = P(F) = q = 1 − p Numa linha de produção.60 Estatística Básica − 10 − prof. Por exemplo: • • • • • Lançar uma moeda: Sair cara ou não. Paciente que fez cirurgia de alto risco: Sobreviveu ou não. Tem computador em casa: Sim ou não. José Aguinaldo . onde 40% das peças são defeituosas. Selecionar uma peça de um lote: É defeituosa ou não. Experimentos de Bernoulli – Experimento simples. O modelo é indicado para situações em que observamos ou não alguma característica de nosso interesse. uma peça é selecionada. Sucesso (S) = Peça com defeito p = P(sucesso) = 0.1 Distribuição de Bernoulli A distribuição de Bernoulli é o modelo mais simples para variável discreta e dele são originados outros modelos probabilísticos para variável discreta. Os experimentos acima são denominados de Experimentos de Bernoulli. Selecionar um aluno: Foi reprovado em matemática ou não. Então.3.40 Fracasso (F) = Peça não está com defeito q = P(Fracasso) = 0. A probabilidade de ocorrer um sucesso é denotada por p e a probabilidade de ocorrer um fracasso é denotada por q.

. 1.2 Distribuição Binomial A distribuição Binomial (ou modelo Binomial) é uma generalização da distribuição de Bernoulli. p e q = probabilidade de sucesso e fracasso (constante em cada ensaio). n n! é o número de ocorrências de x sucessos em n ensaios. Isto é.   n! = n⋅(n-1)⋅(n-2)⋅…⋅1 (lê-se n fatorial) EXEMPLO 07 a) 5! b) 0! c) d) Resolva os fatoriais e a combinação a seguir 40! 38!  50  50 C8 =   8   Solução ------------------------------------------------------------------------------------------------------------------a) 5!= 5 ⋅ 4 ⋅ 3 ⋅ 2 ⋅ 1 = 120 b) 0! = 1 (por definição) c) 5! (lê-se 5 fatorial) 40! 40 ⋅ 39 ⋅ 38! = = 40 ⋅ 39 = 1560 38! 38!  50  50! 50! 50 ⋅ 49 ⋅ 48 ⋅ 47! 50 ⋅ 49 ⋅ 48 d)   = = 19600  3  3!(50 − 3)! = 3!⋅47! = (3 ⋅ 2 ⋅ 1) ⋅ 47! = 6   Estatística Básica − 11 − prof. José Aguinaldo . p). n  x   Valor esperado e Variância: µ = E(X) = n ⋅ p σ 2 = Var(X) = n ⋅ p ⋅ q Para representar uma variável x com distribuição Binomial com n tentativas e probabilidade de sucesso p usamos a seguinte notação: X ~ Binomial(n. onde • • • • • n = número de ensaios (tentativas ou realizações) independentes. Com a distribuição Binomial podemos. calcular: • • a probabilidade de sair menos de 4 caras em 15 lançamentos de uma moeda honesta. x = o número de sucessos nos n ensaios.. por exemplo. a probabilidade de sair no máximo 3 peças com defeitos em um lote com 20 peças Dstribuição Binomial Quando são realizadas n ensaios independentes de Bernoulli e o nosso interesse recai sobre a variável X = “Número de sucessos nos n ensaios”. então a função probabilidade de X é dada por: n f ( x) =   ⋅ p x ⋅ q n − x com x = 0. uma  =  x  (n − x)!⋅x! combinação de x sucessos em n tentativas. ..3.

10 q 0. Se 120 clientes reservaram o vôo. se a retirada for feita sem reposição.Critérios para saber se a distribuição Binomial é adequada Os n ensaios são independentes. i) Para entender os critérios acima. Neste caso.95 0.05. portanto. onde há 8 peças com defeito. iii) A probabilidade p de sucesso permanece constante em todas as tentativas. ii) Cada tentativa tem apenas dois resultados. Considerando os próximos 10 clientes que entram na loja. Ou seja. qual a probabilidade de quatro ou mais clientes realizarem alguma compra? ii) iii) Solução ----------------------------------------------------------------------------------------------------------------Situação i) ii) iii) Ensaio n = 10 clientes n = 20 peças n = 120 clientes Sucesso Cliente realizar compras A peça está com defeito Cliente desistir do embarque p 0. denotados por sucesso (S) ou fracasso (F). neste caso.40 0. veja o exemplo de selecionar uma amostra de 4 peças de uma caixa com 20 peças. a probabilidade de a peça ser defeituosa seria sempre a mesma em cada retirada (p = 8/20 = 0. podemos usar a distribuição Binomial. Será que podemos usar a distribuição Binomial para a variável X = “número de peças com defeito na amostra”? Caso a retirada fosse feita com reposição. identifique o número de ensaios. i) Sabe-se que 40% dos clientes que entram em uma loja fazem algum tipo de compras. Um grande lote com peças será rejeitado se uma amostra de 20 peças apresentarem três ou mais peças defeituosas.05 0.90 Estatística Básica − 12 − prof. a probabilidade seria diferente em cada retirada. Por outro lado. o resultado de um ensaio não tem efeito no resultado do outro. qual a probabilidade do lote ser rejeitado? Sabe-se que 10% dos que reservam lugar em um vôo desistem do embarque. portanto. qual a probabilidade de quatro o mais clientes realizarem alguma compra? A probabilidade de uma peça ser fabricada com defeito é 0. já que o total de peças na caixa não seria o mesmo em cada retirada. não poderíamos usar a distribuição Binomial. EXEMPLO 08 Em cada situação abaixo.40). o sucesso e a probabilidade de sucesso e de fracasso. José Aguinaldo .60 0.

3456 + 0.601 = 4∗0. determine a probabilidade de: a) b) c) d) e) f) Determine a probabilidade de exatamente três peças ser defeituosas Determine a probabilidade de uma a três peças serem defeituosas Determine a probabilidade de pelo menos uma peça ser defeituosa.36 = 0.1536 3!⋅(4 − 3)! 1!⋅3! f (1) = Estatística Básica − 13 − prof. some-os e veja se o resultado coincidiu com o resultado obtido na letra “a”.40 2 ⋅ 0.064 ⋅ 0.3456 2!⋅(4 − 2)! 2!⋅2! 4! 4! f (3) = ⋅ 0. a) P(“três peças serem defeituosas”) = f (3) = 4! ⋅ 0.60 4 − 2 = ⋅ 0.40 3 ⋅ 0.60 2 = 6∗0.EXEMPLO 09 Uma máquina desajustada produz 40% de peças com defeito. sendo que cada peça ou está com defeito (sucesso) ou não (fracasso) e a probabilidade de a peça estar com defeito é sempre igual a 0. b) P(“de uma a três peças serem defeituosas”) = P(1 ≤ X ≤ 3) = f(1) + f(2) + f(3) = 0.16∗0.3456 1!⋅(4 − 1)! 1!⋅3! 4! 4! f ( 2) = ⋅ 0.48%) 4! 4! ⋅ 0.401 ⋅ 0. José Aguinaldo .36%) 15.601 = ⋅ 0.40 3 ⋅ 0. Por isto.1536 = 0.064 ∗ 0.401 ⋅ 0.60 = 0. Solução ------------------------------------------------------------------------------------------------------------------X = “número de peças com defeitos” segue distribuição Binomial com n = 4 e p = 0.60 4 − 1 = ⋅ 0.1536 (ou 15.60 = 0.60 4 − 3 = ⋅ 0.8448 (ou 84.40) para cada peça. três delas estarão com defeito.40 A função probabilidade de X é  4 4! f ( x) =   ⋅ 0.40 3 ⋅ 0.064∗0.40 (p = 0.3456 + 0. Qual o número médio de peças com defeito na amostra? Qual é o desvio-padrão do número de peças com defeito? Mostre a distribuição de probabilidade da variável X (ou seja.40 x ⋅ 0. calcule a probabilidade de cada resultado.60 4 − x  x x!⋅(4 − x)!   → Veja que foram selecionadas 4 peças (n = 4) ao acaso.40 x ⋅ 0. o distribuição Binomial é adequado neste problema.60 4 − x = 0.40 2 ⋅ 0. h) Liste todos os resultados possíveis onde aparecem 3 peças com defeitos.36% das vezes em uma amostra de 4 peças.60 3 = 4∗0.60 4 − 3 3!⋅(4 − 3)! 4! 24 = ⋅ 0.064∗0. mostre uma tabela com os valores possíveis de X e suas respectivas probabilidades) g) Determine a probabilidade de no máximo uma peça não ser defeituosa.60 = 4 ∗ 0. Supondo que 4 peças foram selecionadas aleatoriamente das peças produzidas durante um dia de produção.0864 = 0.40 3 ⋅ 0.60 3!⋅1! 6 ⋅1 = 4 ∗ 0.

60 = 0.1296 1 0..”) = 1 – P(“nenhum .3456 3 0.40 4 ⋅ 0.1536 + 0. José Aguinaldo .3456 + 0.60 0 = = 1∗0.0256∗1 = 0.25 f(x) 0.60 4 − 0 = ⋅ 0.40 ∗ 0.1296 = 0.05 0.3456 + 0.”) P(“pelo menos uma peça defeituosa”) = 1 – P(“nenhuma peça estar defeituosa”) = 1 – f(0) = 1 – 0.60 4 − 4 = ⋅ 0.0256 4!⋅(4 − 4)! 4!⋅0! ATENÇÃO: O mesmo resultado acima poderia ter sido obtido se aplicar a regra do “pelo menos um . P(“pelo menos um .0256 f(0) obtido da letra ‘c’ f(1).00 0 1 2 x 3 4 Estatística Básica − 14 − prof..8704 (ou 87.3456 2 0.04%) f (0) = 4! 4! ⋅ 0.40 = 1.” que vimos na unidade anterior.1296 0!⋅(4 − 0)! 0!⋅4! Resultados interessantes (usando a regra do complemento) P(X ≥ a) = 1 – P(X < a) P(X > a) = 1 – P(X ≤ a) d) Número médio (ou número esperado) de peças com defeito E(X) = µ = n∗p µ = n∗p = 4∗0. f(2) e f(3) foram obtidas na letra ‘b’ f ( 4) = 4! 4! ⋅ 0.0256 = 0.04%) As probabilidades f(1).35 0.15 0.8704 (ou 87..10 0.60 4 = = 1∗1∗0.30 0.40 0 ⋅ 0.40 4 ⋅ 0..c) P(“pelo menos uma peça defeituosa”) = P(X ≥ 1) = f(1) + f(2) + f(3) + f(4) = 0.6 peça (quase duas) com defeito em média e) Desvio-padrão do número de peças com defeito σ = Var ( X ) σ = Var ( X ) = n ∗ p ∗ q = 4 ∗ 0. f(2). f(3) e f(4) foram obtidos da letra ‘b’ 0.20 0..1296 = 0.98 peça com defeito f) Distribuição de probabilidade da variável X x f(x) 0 0..1536 4 0.40 0 ⋅ 0.

60∗0.60 0 ⋅ 0.601 ⋅ 0. então P(FSSS) = P (F)P(S)P(S)P(S). José Aguinaldo . a probabilidade de ocorrer x sucessos é  Número de formas    p(" ocorrer x sucessos") =  diferentes de sair x  × p x × q n − x com  sucessos em n ensaios     Número de formas    n! n = combinação de n de x em x  diferentes de sair x  = Cx = x! (n − x )!  sucessos em n ensaios    3 Para esta letra estamos admitindo que X =”número de peças não defeituosa” segue a distribuição Binomial com n = 40 e p =0. Até agora trabalhamos com o número de peças defeituosas.40∗0.1536 = 0.40∗0.0864 P(SFSS) = 3 0.1536 1!⋅(4 − 1)! 1!⋅3! h) Aparecer 3 peças com defeito em 4 peças Vamos chamar de S = sucesso = “peça defeituosa” F = fracasso = “peça não defeituosa” Diferentes formas de aparecer três peças defeituosas FSSS Probabilidade P(FSSS) = 3 0.3436 Cálculos P(FSSS) = P (F)P(S)P(S)P(S) = 0.60∗0. o mesmo valor obtido na letra ‘a’. para resolver a letra ‘g’ temos que usar como probabilidade de sucesso o valor p = 0.1792 (ou 17.40∗0.40∗0. No entanto.g) P(“de no máximo uma peça não ser defeituosa”) = ? Veja que agora estamos trabalhando com número de peça não defeituosas. A probabilidade de sair 3 peças com defeitos em uma amostra com 4 peças foi 0.40.60∗0.60 P(SFSS) = P (S)P(F)P(S)P(S) = 0.3436.60∗0.40∗0.40 4 = 1∗1∗0.60 = 0. Veja que tivemos 4 diferentes formas de sair três peças com 3 defeitos e cada uma delas a probabilidade foi igual a 0. por isto usamos a probabilidade de sucesso igual a p = 0.60 = 0.0256 + 0.60 P(SSSF) = P (S)P(S)P(S)P(F) = 0.92%) f (0) = 4! 4! ⋅ 0. então de uma maneira geral.60.064 = 0.60∗0.40 4 − 0 = ⋅ 0.60 P(SSFS) = P (S)P(S)P(F)P(S) = 0.40∗0.60 0 ⋅ 0. P(“de no máximo uma peça não ser defeituosa”) = P(X ≤ 1) = f(0) + f(1) = 0.40∗0.60∗0.60∗0.60 .40 --- SFSS SSFS SSSF Total Obs: Assumindo independência entre os eventos.60 = 0.40∗0.0864 4∗0.60 Estatística Básica − 15 − prof.0864 = 0.40 3 = 4∗0.0864 P(SSSF) = 3 0.60 = 0.60∗0.40 4 − 1 = ⋅ 0.16 = 0.60∗0.60∗0.0864 P(SSFS) = 3 0.0256 0!⋅(4 − 0)! 0!⋅4! 4! 4! f (1) = ⋅ 0.601 ⋅ 0. que é a probabilidade de a peça não ser 3 defeituosa .

0.EXEMPLO 10 Um restaurante sabe que 85% dos clientes que reservam mesa realmente comparecem..15 0 = 0.8633.1087 + 0. O restaurante tem somente 20 lugares.85 21 ⋅ 0. então? Usar a regra do complemento P(X ≤ 20) = 1 – P(X > 20) = 1 .[ f(21) + f(22) ] f (21) = 22! 22! ⋅ 0.85 22 ⋅ 0.1087 21!⋅(22 − 21)! 21!⋅1! f (22) = 22! 22! ⋅ 0. Os clientes que fizeram reservar serão acomodados em seus lugares se.028 22!⋅(22 − 22)! 22!⋅0! P(X ≤ 20) = 1 . Solução -----------------------------------------------------------------------------------------------------------------X = “número de clientes que fizeram reservas comparecerem” segue distribuição Binomial com n = 22 e p = 0.15 22 − 21 = ⋅ 0.85 x ⋅ 0.15 22 − x f ( x) =   ⋅ 0.1367 = 0.85 22 ⋅ 0.15 22 − x =  x x!⋅(22 − x)!   → Veja que o restaurante aceitou fazer 22 reservas (n = 22).85 21 ⋅ 0. mas acabou aceitando fazer 22 reservas.028 ] = 1.8633 (ou 86. + f(0) Veja que temos que usar 21 vezes a função probabilidade f(x). então P(“todos serem acomodados”) = P(X ≤ 20) = f(20) + f(19) + .[ 0.. e somente se.33%) A probabilidade de o cliente que fez reserva aparecer no restaurante e ser acomodado em sua mesa é de 0. é que estamos usando a distribuição Binomial. com função probabilidade igual a:  2 22! 0. o que é muito trabalhoso.15 22 − 22 = ⋅ 0.85) em cada reserva. aparecerem no máximo 20 clientes (se aparecer 21 ou 22 clientes alguém ficará sem lugar no restaurante). determine a probabilidade de o cliente que fez reserva aparecer no restaurante e ser acomodado em sua mesa. Estatística Básica − 16 − prof. certo? O que fazer.85. Cada cliente que fez reserva pode aparecer (sucesso) ou não e a probabilidade de o cliente aparecer é sempre igual a 0.85 x ⋅ 0.151 = 0.85 (p = 0. Por isto. José Aguinaldo .

2 0 0.40.1 5 0.25 n = 10 p = 0 .15 P(x) P(x) P(x) 0 .10 0.20 0 . p. n. as hastes estão em torno da média µ = np. Observe que em cada gráfico. 0. enquanto que a função DISTRBINOM(x. FALSO) retorna a probabilidade f(x) de ocorrer x sucessos em n provas. a função DISTRBINOM(x.15 0 . n. temos alguns gráficos da distribuição Binomial.40.Alguns gráficos da distribuição Binomial Abaixo.30 p = 0 .05 0 .0 0 6 7 8 9 10 0 1 2 3 4 5 x 6 7 8 9 10 Usando o Excel No Excel.2 5 0. = DISTRBINOM(C2. 10.25 0. FALSO) = DISTRBINOM(C2. p. José Aguinaldo . 10.05 0.00 6 7 8 9 10 0 1 2 3 4 5 x 0 .0 5 0.8 0 0. n = 10 0.40.10 0 . VERDADEIRO) retorna a probabilidade de ocorrer no máximo x sucessos em n provas.00 0 1 2 3 4 5 x 0. 0.2 0 0.20 0. Veja abaixo um exemplo onde foram calculados f(6) e P(X ≤ 6) de uma distribuição Binomial com parâmetros n = 10 e p = 0.5 0 0 .3 0 n = 10 p = 0 .1 0 0. VERDADEIRO) Estatística Básica − 17 − prof.

3. • Número de carros que chegam ao estacionamento durante uma hora.3 Distribuição de Poisson A distribuição de Poisson (ou modelo de Poisson) é uma distribuição útil como modelo teórico para descrever a probabilidade de ocorrer um número de eventos ao longo de um intervalo de tempo (ou de área. onde o modelo de Poisson é adequado: • Número de chamadas telefônicas por minuto. 2 . Exemplos de situações.. de comprimento.é o número neperiano ou número de Euler (pronuncia-se óiler) x! = x⋅(x-1)⋅(x-2)⋅…⋅2⋅1 . ou de cumprimento.. então a variável aleatória X que é igual ao número de eventos no intervalo tem uma distribuição de Poisson com parâmetro λ. 1. etc). As probabilidades são obtidas pelo modelo matemático abaixo: f ( x) = λx ⋅ e − λ x! com x = 0. Distribuição de Poisson Se o número médio de eventos no intervalo é igual a λ. Valor esperado E(X) e variância Var(X) E(X) = µ = λ Var(X) = σ = λ 2 Notação: X ~ Poisson(λ) significa que a variável X = “número de x eventos em um intervalo” λ segue a distribuição de Poisson com taxa média igual λ onde f(x) = P(X = x) é a probabilidade de ocorrer x eventos λ = taxa média de eventos no intervalo (de tempo..P(X < a) Estatística Básica − 18 − prof. etc) com λ > 0 x = número de ocorrência de eventos no intervalo e ≈ 2. José Aguinaldo . ou de volume.é o x fatorial (ou fatorial de x) Resultados interessantes (usando a regra do complemento) ∗ P(X ≥ a) = 1 – P(X < a) ∗ P(X > a) = 1 – P(X ≤ a) ∗ P(a ≤ X ≤ b) = P(X ≤ b) .718282 . • Número de acidentes por dia. • Número de pessoas infectadas por unidade de área.

05% das vezes chegarão exatamente 3 navios em um intervalo de um intervalo de uma hora (Por exemplo.8647 86. 1.05%) 3! 6 com → 3! = 3∗2∗1 = 6 -2 -2 2 2 → e = (2. Chegar exatamente três navios em 30 minutos.47%) f (0 ) = 2 0 ⋅ e −2 1 ⋅ 0.47% das vezes chegará pelo menos um navio em um intervalo de uma hora Estatística Básica − 19 − prof.718282) = (1 / 2.135335 Resposta: P(“chegar pelo menos um navio em uma hora”) = 0. Chegar pelo menos um navio em duas horas.135335 = = 0. 2.135335 0! 1 com → 0! = 1 (por definição) 2 2 → e−2 = (2.135335 Resposta: P(“chegar exatamente três navios em uma hora”) = 0.367879) = 0.718282)−2 = (1 / 2. José Aguinaldo . a) P(“chegar exatamente três navios em uma hora”) = f(3) f (3) = 2 3 ⋅ e −2 8 ⋅ 0. Chegar pelo menos um navio em uma hora. etc) b) P(“chegar pelo menos um navio em uma hora”) = P(X ≥ 1) P( X ≥ 1) = f (1) + f (2) + f (3) + L (veja que não conseguiremos calcular. Determine a probabilidade: a) b) c) d) Chegar exatamente três navios em uma hora.180447 (ou 18. pois teoricamente vai até infinito). Portanto a função probabilidade é: f ( x) = 2 x ⋅ e −2 onde x! x = 0.718282) = (0.135335 = 0.. Solução: ------------------------------------------------------------------------------------------------------------------X = “número de navios que chegam ao porto em uma hora” segue a distribuição de Poisson com taxa média de λ = 2 navios a cada hora. ou 16:15 às 17:15 hs.1805 18.EXEMPLO 11 Os navios chegam a um porto segundo uma distribuição de Poisson com média de 2 navios por hora. ou 14:30 às 15:30 horas.864665 (ou 86.135335 = = 0. .367879) = 0.. A solução é usar a regra do complemento: P( X ≥ 1) = 1 − P ( X < 1) = 1 − f (0) = 1 – 0. de 8:00 às 9:00 hs.718282) = (0.

13% das vezes chegarão exatamente 3 navios durante um intervalo de 30 minutos.018316 = 0.981684 (ou 98.718282)−4 = (1 / 2.061313 (ou 6. Estatística Básica − 20 − prof.5 hora ( = 30 minutos) k navios k = 2∗ 0.018316 0! 1 4 4 → e−4 = (2.367879) = 0. 2 navios --------1 hora k navios ---------2 horas k = 2∗ 2 / 1 = 4 navios Agora.c) P(“chegar exatamente três navios em 30 minutos”) = f(3) Para trabalhar com intervalo de 30 minutos temos que encontrar a taxa média de navios que chegam durante um intervalo de 30 minutos. então em duas horas esperase que a taxa média seja de 4 navios.17% das vezes chegará pelo menos um navio durante um intervalo de 30 minutos. vamos trabalhar com a taxa média é de λ = 1 navio a cada 30 minutos. Como sabemos que a taxa média é de dois navios por horas. vamos trabalhar com a taxa média é de λ = 4 navios a cada duas horas. 13 ⋅ e −1 1 ⋅ 0.13%) 3! 6 Resposta: P(“chegar exatamente três navios em 30 minutos”) = 0.0613 6.17%) f (0) = 4 0 ⋅ e −4 1 ⋅ 0.5 / 1 = 1 navio Agora. P( X ≥ 1) = 1 − P ( X < 1) = 1 − f (0) = 1 – 0.018316 Resposta: P(“chegar exatamente três navios em 30 minutos”) = 0.9817 98. Como sabemos que a taxa média é de dois navios por horas. então em 30 minutos esperase que a taxa média seja de 1 navio.367879 f (3) = = = 0. José Aguinaldo . Foi usada a regra de três: 2 navios --------1 hora ---------0.718282) = (0.018316 = = 0. c) P(“chegar pelo menos uma navio em duas horas”) = P( X ≥ 1) Para trabalhar com intervalo de 2 horas temos que encontrar a taxa média de navios que chegam durante um intervalo de 2 horas.

VERDADEIRO) retorna a probabilidade de ocorrer no máximo x eventos.10 0. λ. m é d ia = 2 0. a função POISSON(x.15 0. por isso. λ. FALSO) =POISSON(A2. de forma que n⋅ p ≤ 10 ⋅ A variável discreta X segue aproximadamente a distribuição de Poisson com parâmetro λ = n⋅p ⋅  n f ( x) =   ⋅ p x ⋅ q n − x  x   f ( x) = λx ⋅ e −λ x! EXEMPLO 12 Em uma região. Veja abaixo um exemplo onde foram calculados f(6) e P(X ≤ 6) de uma distribuição de Poisson com taxa média de λ = 8.15 P ( x) 0.Alguns gráficos da distribuição de Poisson Abaixo temos alguns exemplos de gráficos da distribuição de Poisson para diferentes taxa média λ (note que a distribuição está mais concentrada em torno de λ).00 0 2 4 6 x 0. qual a probabilidade de que oito desses alunos tenham computador em casa? Estatística Básica − 21 − prof.20 P ( x) 0. apenas 2% das pessoas têm computador em casa.00 8 10 12 14 0 2 4 6 x 8 10 12 14 Usando o Excel No Excel.05 0.30 0. algumas vezes o modelo de Poisson é usado como aproximação do modelo Binomial.25 0.10 0. =POISSON(A2. FALSO) retorna a probabilidade f(x) de ocorrer x eventos e a função POISSON(x. Uma regra empírica para usar tal aproximação é n ≥ 100 e n⋅p ≤ 10. José Aguinaldo . 8.20 m é d ia = 5 0. Uma escola tem 100 alunos. ⋅ Se a variável discreta X segue a distribuição Binomial com parâmetros n e p n grande (n >100) e p pequeno. VERDADEIRO) Usando o modelo de Poisson como aproximação do modelo Binomial A distribuição de Poisson surgiu como uma forma limite da distribuição Binomial.05 0. 8.

Voltando ao exemplo: λ = n⋅p = 100⋅0.15 ⋅ 0. usando a distribuição Binomial.Solução: ---------------------------------------------------------------------------------------------segue a distribuição Binomial com X = “número de alunos com computador em casa” parâmetros n = 100 alunos e p = 0. Podemos usar a aproximação de Poisson. seria 0.000743. O valor exato.02 (probabilidade da pessoa ter computador em casa) P(“de oito alunos terem computador em casa”) = f(8) 100  100! 8 100 − 8 f (8) =  = ⋅ 0.02 = 2 ⋅ → f (8) = 2 8 ⋅ e −2 256 ⋅ 0.135335 = = 0.158 ⋅ 0.85100 − 8  8  ⋅ 0. José Aguinaldo . Estatística Básica − 22 − prof.000859 8! 40320 O resultado acima seria valor aproximado de f(8) usando a distribuição de Poisson.85  8!⋅(100 − 8)!   Calcular o fatorial de 100! é um pouco trabalhoso.

José Aguinaldo . [60. Sabendo deste resultado. quando se trata de variável contínua. P(A) ≈ 0 onde o evento A = “parar exatamente em cima do ponto k”. o cálculo da probabilidade dessa variável assumir um determinado valor perde o sentido. Distribuição de probabilidade – Variável contínua Até o momento. Veja o exemplo a seguir para ilustrar que acabamos de dizer. calculamos a probabilidade de a variável assumir determinado valor dentro de um intervalo [a. [30. devemos sempre calcular a probabilidade de a variável ter um valor compreendido entre dois valores quaisquer. 70) e [70. que é o total de valores possíveis dentro do intervalo de 10 a 72 horas. visto que essa probabilidade seria sempre zero. Uma explicação de forma bem simples poderia ser dada da seguinte forma: Se todos os valores possíveis dentro do intervalo de 10 a 72 horas forem igualmente prováveis. b) Sendo razoável assumir que os 8 intervalos [0.456 horas“) = P(X = 10. ou seja. É de esperar que seja quase impossível de o ponteiro parar exatamente em cima do ponto “k”. Como variável de interesse.125. 50). Veja o exemplo a seguir para ilustrar que acabamos de dizer. 40). [20. 30). EXEMPLO 13 Na figura abaixo. portando a probabilidade disto ocorrer será praticamente zero. Se o ponteiro for colocado para girar no sentido horário. 20]. b) Parar dentro do intervalo [10. Ou seja. podendo parar em qualquer posição ao longo do círculo. determine a probabilidade de o ponteiro: a) Parar exatamente em cima do ponto “k” (nem um pouco antes e nem um pouco depois). b]. Então.456) = 1 =0 ∞ onde o símbolo ∞ indica infinito. 20)”) = 1/8 = 0. vamos considerar a distância do ponto inicial até o ponto em que o ponteiro irá parar. [40. [50. 10). 60). Se assumir que essa vida útil pode variar de 10 horas a 72 horas (valores fictícios). 80) sejam igualmente prováveis. o ponteiro gira livremente sobre um círculo dividido em oito setores. [10. Estatística Básica − 23 − prof.456 horas seria zero. a probabilidade de uma bateria durar exatamente 20. essas Como a variável aleatória contínua pode assumir infinitos valores dentro de um intervalo de números reais. 20). que é uma variável contínua. vimos algumas distribuições para as variáveis aleatórias discretas. não tem muito sentido calcular probabilidade de ocorrer um determinado valor.4. então: P(“bateria durar exatamente 10. o que é feito nestes casos? Quando se trata de variável contínua. então: P(“cair no intervalo [10. Veja o exemplo da vida útil de uma bateria de celular. Solução ----------------------------------------------------------------------------------------------------------------a) O ponteiro sob o círculo é posto a girar.

sendo que intervalo tem a mesma probabilidade 1/16. com o histograma acima. pois área de retângulo = base ∗ altura = 1 / 8 (20-10) ∗ altura = 1 / 8 10 ∗ altura = 1 / 8 altura = 1 / 80 Note. quando trabalhamos com distribuição de variável contínua. Supondo que o círculo fosse dividido em 16 intervalos. Para que área fosse realmente 1/8. Isto sempre acontecerá. podemos representar as probabilidades associadas a cada intervalo usando um histograma construído de forma que as áreas dos retângulos representem as probabilidades de interesse. o histograma correspondente seria: Estatística Básica − 24 − prof. que há uma relação entre probabilidade e área. a altura do histograma teve que ser 1/80. A área do retângulo sombreado no histograma acima é igual a 1/8. José Aguinaldo .No exemplo anterior.

podemos calcular a probabilidade teórica de a variável assumir um valor dentro do intervalo [a. temos um histograma para as notas de matemática dos candidatos em um vestibular e a função densidade f(x) (note como o histograma reflete de uma maneira aproximada a realidade da variável). Escolhendo adequadamente a função densidade f(x) para a variável de interesse. Com a função densidade f(x) podemos calcular teoricamente P(43 ≤ X ≤ 65). temos o seguinte histograma: f(x) 1 / 80 0 0 10 20 30 40 X 50 60 70 80 Este histograma teórico é determinado pela função f(x) que denominamos de função densidade de probabilidade ou simplesmente função densidade da variável X. Então. Histograma Densidade de frequência Densidade de frequência Função densidade f(x) Probabilidade de obter mais de 80 pontos 0 20 30 40 50 60 70 Notas 80 90 100 0 20 30 40 50 60 70 Notas 80 90 100 Estatística Básica − 25 − prof. b]. Abaixo. 64 intervalos e assim por diante e mesmo assim sua altura permanecerá com o mesmo valor 1/80. José Aguinaldo . simplesmente calculando a área da curva no intervalo [a. P(43 ≤ X ≤ 65) = 0. probabilidade de o ponteiro cair a uma distância de 43 a 65 a partir do ponto inicial.275. Portanto. em uma situação teórica com infinitos intervalos.Podemos dividir o círculo em 32 intervalos. b]. calculando a área de um retângulo.

Ou seja. ou seja. b] (figura 2 abaixo). Em situações simples. A probabilidade de a variável assumir um determinado valor é sempre zero. iremos calcular áreas de retângulos. A inclusão ou exclusão dos extremos não altera o valor da probabilidade. A área total da curva definida por f(x) é igual a 1 (Figura 1 abaixo). P(X = k) = 0 (Figura 2 abaixo). não vamos usar integral na nossa disciplina. A probabilidade de uma lâmpada sobreviver mais de 15 mil horas é igual a: ∞ P(X > 15) = ∫ f (x )dx = 0. f(x) ≥ 0. b] é: P(a ≤ X ≤ b) = área da curva no intervalo [a. ela apenas é usada no cálculo de área e esta área corresponderá a nossa probabilidade de interesse. Abaixo temos algumas características importantes de uma função densidade. A função densidade abaixo. A probabilidade de a variável assumir um valor no intervalo [a.ATENÇÃO: É bom deixar bem claro que a função densidade f(x) não fornece diretamente a probabilidade. José Aguinaldo . descreve o tempo de vida de um tipo especial de lâmpada. O cálculo da área neste caso não é tão simples assim. o cálculo das áreas irá requer o uso de cálculo de integral. triângulos ou outras figuras geométricas mais simples. Características da função densidade f(x) • • • • • É uma função não-negativa. se pretendemos calcular a probabilidade de uma lâmpada sobreviver mais de 15 mil horas devemos recorrer ao uso da integral. ou seja. mas em situações mais complexas.153 15 ATENÇÃO: Não se desespere. P(a ≤ X ≤ b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) Estatística Básica − 26 − prof.

e) Determine os três quartis (Q1. qual o número de esperado de toras com comprimento maior que 80 cm. a) Determine a probabilidade de uma tora ter comprimento • maior que 80 cm • de 65 cm a 70 cm • exatamente 75 cm b) Se 1200 toras forem cortadas.a se x ∈ [a. 90] se x ∉ [30. Solução ------------------------------------------------------------------------------------------------------------------Se os comprimentos das toras variam uniformemente de 30 a 90. então a função densidade f(x) é dada por: f(x)  1 1  b . O comprimento das toras varia uniformemente de 30 cm a 90 cm. José Aguinaldo . b]. 90] 1 60 30 x Estatística Básica − 27 − prof. quando é razoável assumir que intervalos iguais da variável tenham mesma probabilidade. Este modelo é adequado. Distribuição Uniforme Se a variável aleatória X segue a distribuição uniforme no intervalo [a.4. b]   a Valor esperado E(X) e variância Var(X) b x E ( x) = µ = b+a 2 Var ( x) = σ 2 = (b − a) 2 12 EXEMPLO 14 A empresa Pica-Pau Ltda corta madeiras em forma de toras. c) Qual o valor esperado e o desvio-padrão do comprimento das toras.1 Distribuição Uniforme A distribuição Uniforme é o modelo mais simples para variável contínua. Determine o valor de k. Q2 e Q3) dos comprimentos das toras. d) Sabendo que 90% das toras têm comprimento de k cm no máximo. b]  b−a f ( x) =  0 se x ∉ [a. então podemos assumir a distribuição uniforme para a variável X= “comprimento das toras” com função densidade f(x) igual a: f(x) 1  60  f ( x) =  0   se x ∈ [30.

90 ⇒ k = 54 + 30 = 84 cm f(x) 1 60 0.25 no lugar de 0.1667 P(“comprimento de 65 cm a 70 cm”) = P(65 ≤ X ≤ 70) = 0. Para o Q2.90 (k – 30) ∗ 1/60 = 0.90.67% de 10000). José Aguinaldo .90 x 30 k 90 e) Lembre-se de que Q1 = P25 então basta repetir a letra ‘d’ usando 0. então de um total de 1200 toras o número de toras com 80 cm ou mais é aproximadamente 200 toras ( = 16.50 no lugar de 0.90 e para o Q3 usar 0. usar 0.a) P(“comprimento ser maior que 80”) = P(X > 80) = 0.75 no lugar de 0. área = base ∗ altura = 0.32 cm 12 d) P(“comprimento no máximo k”) = 0.67% das toras terão comprimentos maiores que 80cm.90.1667 então cerca de 16.90.0833 P(“comprimento exatamente 75 cm”) = P(X = 75) = 0 (a área não existe) b) Se P(X > 80) = 0. Estatística Básica − 28 − prof. c) O tamanho médio µ das toras é: b + a 90 + 30 → µ = E ( x) = = = 60 cm 2 2 O desvio-padrão σ dos comprimentos das toras é: → σ = Var ( x) = (b − a ) 2 = 12 (90 − 30) 2 = 300 = 17.

José Aguinaldo . • de 34 a 36 minutos. quantos deles serão maiores que 17? resp: ≈ 300 números c) Qual o valor médio e desvio-padrão dos números gerados. a) Determine a probabilidade de uma montagem requerer • Mais de 37 minutos para ser completado. o tempo de montagem é. no máximo. resp: 0.33 2 Estatística Básica − 29 − prof. k segundos.20 • Exatamente o número 18 resp: 0 b) Se 1000 números são gerados.89 O tempo requerido para completar uma operação de montagem segue a EXEMPLO 16 distribuição uniforme no intervalo de 30 a 40 minutos. resp: 0. determine o valor de k. Respostas: a) 0. a) Determine a probabilidade de o número gerado ser: • Maior que 17.30 • Menor que 12. b) Sabendo que 25% das vezes.5. c) Qual é a média e a variância do tempo de montagem.5 min c) µ = 35 e σ = 8.25 • Entre 14 e 16. resp: µ = 15 σ = 2.EXEMPLO 15 Um gerador de números aleatórios segue a distribuição uniforme no intervalo de 10 a 20. resp: 0.30 0.20 0 b) k = 32. • Exatamente 34 minutos.

14159 µ x NOTAÇÃO: X ~ Normal (µ. podemos usar a distribuição normal como modelo adequado para descrever os resultados da média amostral. etc). se a sua função densidade f(x) for dada por: f(x) f (x) = 4 1 σ ⋅ 2π 1  x − µ 2 −   . mesmo se a população de onde a amostra foi retirada não seguir a distribuição normal. pois serve de modelo para um grande número de variáveis contínuas e também como modelo aproximado para outras distribuições de probabilidade (Binomial. a média amostral é a variável de maior interesse e conhecer a sua distribuição de probabilidade é de grande importância.2 Distribuição Normal A distribuição Normal é a distribuição de probabilidade mais usada na Estatística. Esse é o resultado do Teorema Central do Limite (principal teorema na Estatística) e que mostra a grande importância da distribuição normal.718282 π = 3. Em inferência estatística. σ > 0 e = 2. para − ∞ < x < ∞ ⋅e 2 σ  onde . Se o tamanho da amostra for considerado grande (n ≥ 30). σ) → “A variável X tem distribuição normal com µ média µ e desvio-padrão σ. José Aguinaldo . Estatística Básica − 30 − prof. Distribuição normal Uma variável aleatória contínua X tem distribuição normal com parâmetros µ e σ. Valor esperado E(X). variância Var(X) e desvio-padrão dp(X) da variável X E(X) = µ 2 Var(X) = σ dp(X) = σ 4 e = número neperiano ou número de Euler (pronuncia-se óiler).4. Poisson. uma área da estatística que procura tomar decisões acerca da população usando apenas os dados de uma amostra.

além de ter uma área total igual a 1.00 0 10 20 30 X 40 50 60 70 80 Algumas características da distribuição Normal (1) A média. mediana e moda são iguais. Ou seja.02 0.08 0. b] (4) A inclusão ou exclusão dos extremos não altera o valor da probabilidade.10 µ = 20 σ=4 0.b) = P(X > µ + b). sendo assim. José Aguinaldo . Quanto menor o valor do desvio-padrão σ. P(X < µ . enquanto que o desvio-padrão σ determina a largura da curva normal.Efeito da média µ e do desvio-padrão σ na curva normal A média µ determina o valor do centro da curva normal. 0. (3) P(X ∈ [a. µ = Md = mo. é simétrica em torno da média µ. (2) A curva normal. b]) = P(a ≤ X ≤ b) = área da curva no intervalo [a.04 µ = 20 σ=8 µ = 50 σ=8 0. P(a ≤ X ≤ b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) Estatística Básica − 31 − prof.06 f(x) 0. conseqüentemente menor será a largura da curva. Portanto. menor será a variabilidade dos dados.

As áreas dessa distribuição são obtidas com o auxilio de tabelas e serve de referência para calcular probabilidades das outras distribuições normais Por que usamos tabela na distribuição normal? Como foi dito anteriormente. 5 Métodos computacionais usados para obter a integral de uma função − 32 − Estatística Básica prof. então aproximadamente 95% desses candidatos irão obter notas de 41 a 89 pontos. pois 41 = 65 –2∗12 89 = 65 + 2∗12 Distribuição normal padrão (= µ – 2∗σ) (= µ + 2∗σ) A distribuição normal padrão é um acaso especial da distribuição normal onde a média é zero (µ = 0) e desvio-padrão é um (σ = 1). as probabilidades são obtidas resolvendo a integral da função densidade no intervalo de interesse. P(µ − 2⋅σ ≤ X ≤ µ + 2⋅σ) = 0.5% dos valores estão a 2 desvios-padrões distante da média.Cerca de 99.3% dos valores estão a um desvio-padrão distante da média. 2002 Se as notas em matemática dos candidatos em um vestibular forem normalmente distribuídas com média de µ = 65 pontos e desvio-padrão de σ = 12 pontos. O grande problema é que integrar algebricamente uma curva normal não é possível e a solução encontrada foi usar 5 métodos numéricos para calcular de forma aproximada as áreas de interesse.7% dos valores estão a 3 desvios-padrões distante da média.(5) Quaisquer que sejam os valores da média µ e do desvio-padrão σ de uma distribuição normal. Montgomery.Cerca de 95.Cerca de 68.6827 . José Aguinaldo .9973 . os seguintes resultados são válidos: P(µ − 1⋅σ ≤ X ≤ µ + 1⋅σ) = 0. Essas áreas são calculadas apenas para a distribuição normal padrão. P(µ − 3⋅σ ≤ X ≤ µ + 3⋅σ) = 0.9545 .

350830 mais próximo .58)? P(0 ≤ Z ≤ 1.5 → 0.057053 (lembre-se de que a área no intervalo [0.58) = 0. de 0.. 0] e [0. ou seja.442947 0. A primeira parte (1. A tabela que vamos usar fornece a área da curva normal padrão no intervalo de zero até um determinado valor.5 e 8).58 Z 0 Continuando com a tabela normal padrão.5) deverá ser localizada na primeira coluna da tabela e a segunda parte (8) deverá ser localizada na primeira linha da tabela.58 ≤ Z ≤ 0) = 0.442947 P(Z < -1..58) = 0. ↓ 1.Para obter as áreas de outros intervalos teremos que lembrar de que a curva normal é simétrica em torno da média. Por exemplo.. +∞) são iguais a 0.057053 0 0 1. outras probabilidades podem ser obtidas.442947 = 0.. 0 1.58 deverá ser dividido em duas partes (1.05705 0. José Aguinaldo ..50 – 0.50. qual o valor de zc tal que P(0 ≤ Z ≤ zc) = 0.35 Resposta: O valor de zc é 1. Usando a tabela normal padrão.58 Z O valor zc =1. P(0 ≤ Z ≤ 1. Usando o resultado acima. temos que: P(-1. ↑ 1.35 Tabela normal padrão z 4 .057053 0. qual a probabilidade P(0 ≤ Z ≤ 1.35? P(0 ≤ Z ≤ zc) = 0.04 0 zc Z Estatística Básica − 33 − prof.442947 que é a probabilidade desejada. no intervalo [0.58) = Tabela normal padrão z 8 ..58) = 0..0 ← 0..442947 . Veja a seguir: P(Z > 1. de que área total é um e de que as áreas dos intervalos (-∞.50) Por simetria. zc]. ∞] é igual a 0.442947. usando a tabela normal padrão.58 Z -1. Na interseção dessas duas partes teremos o valor 0.

50) P(-2.85) P(Z > .490097 0. 0] + área no intervalo [0.990097 ( = área sombreada na figura abaixo) Da tabela normal padrão 0.33 ≤ Z ≤ -1.50] = 0.86. responda: P(Z < 1.85) = 0.30 ≤ Z ≤ 1.056083 0 0 1.967843 ( = área sombreada na figura abaixo) 0.5 + 0.05.85) b) P(Z > -2.86 ≤ Z ≤ 0.30] − área no intervalo [0.302337 = 0.490097 = 0.50) = área no intervalo [0. 2.85) = área no intervalo [-1.50) P(-1.85) = P(Z ≤ 1.468557 + 0. José Aguinaldo .489276 − 0.85 Observação P(Z < 1.3 d) P(-1.80 ≤ Z ≤ 0.86 0 0.85) Calcule k tal que P(Z ≤ k) = 0. tal que P(Z ≤ k) = 0.433193 = 0.5 0 Da tabela normal padrão 0.5 2.85 Z Estatística Básica − 34 − prof.467843 0 1.2. 0.5 -2.467843 = 0.EXEMPLO 17 a) b) c) d) e) f) g) Sabendo que a variável Z tem distribuição normal padrão.33 0 0 c) P(2.33) = 0. 1.770894 -1.95. Solução ---------------------------------------------------------------------------------------------a) P(Z < 1. Calcule k.33 ≤ Z ≤ 1.85] = 0.5 + 0.056083 0.33) P(2.

padronizar a variável X. Sabendo que a área no (−∞..65’ 0.50. f) Calcule b tal que P(Z ≤ b) = 0. 0] − área no intervalo [-1. e encontramos k = 1. José Aguinaldo . então o restante 0.. E como devemos trabalhar com as outras distribuições de probabilidades? Qualquer variável X tendo distribuição normal com média µ e desvio-padrão σ pode ser “transformada” em uma distribuição normal padrão. 0] é igual a 0.45 mais próximo .45 .433193 = 0.05.3 -1. Estatística Básica − 35 − prof.30..05 (certo?). então com isto a resposta para a letra ‘f’ é b = −1.45 fica sendo a área no intervalo [0. Como a tabela só trabalha com áreas no intervalo [0. 0].50 0. para isto.45.489276 − 0. sabemos que P(Z < −1.05 0.5 e) Calcule k tal que P(Z ≤ k) = 0.95 e P(Z > 1.65) = 0.95 0 1. Padronização x−µ z= σ Z tem distribuição normal padrão com média µ = 0 e desvio-padrão σ = 1.95. Por simetria.95 0 0.e) P(-2. X tem distribuição normal com média µ e desvio-padrão σ. Da letra ‘e’ podemos concluir que P(Z ≤ 1.50.65.65) = 0. ↑ 1. k]. 0] = 0.65.449 497 0. zc]. 0 0 Z Tabela normal padrão z 5 P(0 ≤ Z ≤ k) = 0.50) = área no intervalo [-2.95 corresponde a área da curva sob o intervalo (−∞.056083 (veja que por simetria já poderíamos ter obtido este resultado) Da letra ‘c’ e por simetria temos 0.30 ≤ Z ≤ -1.65) = 0. Veja que o valor 0.65 -1.. de 0.45 0 0 k=? Resposta: O valor de k é 1. por isto é que olhamos na tabela o valor correspondente a área 0.05.6 ← 0. basta.65 0 0 Z Padronização de uma variável Até agora só trabalhamos com a distribuição normal padrão.056083 -2.

ter QI menor que 75 pontos.091759 100 x 0 0 b) P(“um pessoa adulta ter QI menor que 75 pontos”) = P(X < 75) = ? Padronizando o valor 75: x = 75 → z = = 0.047460 Cerca de 4. 75 -1.X ~ Normal(µ. José Aguinaldo . ter QI de 75 a 120 pontos.18% das pessoas adultas têm QI maior que 115 pontos.0.0. Solução ---------------------------------------------------------------------------------------------Como variável de interesse vamos definir X = “QI de uma pessoa adulta” e pelo enunciado do problema sabemos que X segue a distribuição normal com média µ = 100 pontos e desviopadrão σ = 15 pontos.408241 = 0. a) P(“um pessoa adulta ter QI maior que 115 pontos”) = P(X > 115) = ? Para usar a tabela normal padrão devemos inicialmente padronizar o valor 115. x − µ 120 − 100 x = 120 → z = = = 1. determine a probabilidade desta pessoa: a) b) c) d) ter QI maior que 120 pontos.33 σ 15 Resposta: P(X > 120) = P(Z > 1.33) = 0. Escolhendo uma pessoa ao acaso.091759 Cerca de 9.67) = 0. 1) a −µ  P ( X ≤ a ) = P Z ≤  = olhar as áreas na tabela da normal padrão σ   b−µ a−µ P(a ≤ X ≤ b ) = P ≤Z≤  = olhar as áreas na tabela da normal padrão σ   σ EXEMPLO 18 Em uma região.047460 x − µ 75 − 100 = = -1. 120 1.67 σ 15 Resposta: P(X < 75) = P(Z < -1.452540 = 0. σ) µ Z ~ Normal(0.67 0 100 0 x z Estatística Básica − 36 − prof.33 z = 0.5 .5 . ter QI de 110 a 120 pontos.7% das pessoas adultas têm QI menor que 75 pontos. o quociente intelectual (QI) das pessoas adultas segue a distribuição normal com média de 100 pontos e desvio-padrão de 15 pontos.

33) = 0.452540 + 0.33] − área no intervalo [0.33] = 0.67 σ 15 x − µ 120 − 100 = = 1. 100 110 120 0 0.408241 = 0.67 100 120 0 1.33 σ 15 P(0. 75 -1.33) = área no intervalo [0.67 σ 15 x − µ 120 − 100 = = 1.67] = 0.67 ≤ Z ≤ 1.33 σ 15 Padronizando o valor 120: x = 120 → z = P(0.408241 − 0.860781 Cerca de 86.67 ≤ Z ≤ 1.97% das pessoas adultas têm QI de 110 a 120 pontos.33 Estatística Básica − 37 − prof.33) = área no intervalo [−1.33 z d) P(“um pessoa adulta ter QI de 75 a 120 pontos”) = P(75 ≤ X ≤ 120) = ? Padronizando o valor 75: x = 75 → z = 0 0. José Aguinaldo .15 Resposta: P(110 ≤ X ≤ 120) = P(0.67 1.33) = 0.248571= 0. 0] + área no intervalo [0.159670 x − µ 75 − 100 = = -1. 1. 0.67.1% das pessoas adultas têm QI de 75 a 120 pontos.860781 Resposta: P(75 ≤ X ≤ 120) = P(-1.c) P(“um pessoa adulta ter QI de 110 a 120 pontos”) = P(110 ≤ X ≤ 120) = ? Padronizando o valor 110: x = 110 → z = Padronizando o valor 120: x = 120 → z = x − µ 110 − 100 = = 0. 1.67 ≤ Z ≤ 1.67 ≤ Z ≤ 1.159670 Cerca de 15.

Usando o mesmo raciocínio da letra “a”. Portanto.98. Após padronização temos que P(100 ≤ X < b) = P(0 ≤ Z ≤ zc) = 0. Estatística Básica − 38 − prof. b = 124.75 pontos (usando zc = 2. Então.75 Portanto. veja o exemplo 11e).45 0. P(0 ≤ Z ≤ k) = 0.45 0 100 b x 0 zc z b) Como queremos encontrar um valor b do QI tal que 2% das pessoas estejam acima e 98% estejam abaixo. Pela tabela normal padrão.50 0. na realidade. José Aguinaldo .75 pontos no teste de admissão. temos que b = 130. para ingressar na MENSA. Qual o menor QI que permite alguém ingressar na MENSA? Solução ------------------------------------------------------------------------------------------------------------------a) Sabendo que 95% das pessoas têm QI menor que b pontos.45. Então.65 σ 15 → b – 100 = 1. a pessoa deve obter no mínimo 130. ou seja.45. sabemos que zc = 1.05). zc = x − µ b − 100 = = 1. bastando trocar 0. a) Cerca de 95% das pessoas adultas têm QI menor que b pontos.65 (se tiver dúvidas ainda. P(100 ≤ X < b) = 0.EXEMPLO 19 - Continuando com o EXEMPLO 18.65*15 = 24.95 por 0.75 pontos. Determine o valor de b? b) A MENSA é uma organização que reúne os 2% de maior QI da população. estamos na mesma situação da letra “a” acima. pela figura abaixo vemos que 45% têm QI de 100 a b pontos.

p) = 80⋅(1 .1 Aproximação Normal para Binomial Em situações onde temos que usar a distribuição binomial.4.0. e) O número esperado das 80 famílias amostradas que vivem abaixo da linha da pobreza? Solução -----------------------------------------------------------------------------------------------------------------Veja que a variável X = “número de família que vive abaixo da linha da pobreza” segue a distribuição binomial com n = 80 famílias e p = 0.3. P(X > 80) ≈ P(X > 80) Binomial com n = 300 e p = 1/6 Normal com µ = 50 e σ = 6. um valor muito grande para o n torna o cálculo das probabilidades muito cansativo. 20% das famílias de uma região vivem EXEMPLO 20 abaixo da linha da pobreza. As condições para este uso requerem um n muito grande e um p não muito próximo de 0 ou de 1 (veja a regra prática a seguir).5777. d) A probabilidade de mais de três quartos das famílias amostradas viverem abaixo da linha da pobreza. temos µ = n⋅p = 300⋅1/6 = 50 e σ = n⋅p⋅(1-p) = 300⋅1/6⋅(1-1/6) = 41.20) = 64 ≥ 5 (ok) Então X segue aproximadamente a distribuição normal com média µ = n ⋅ p = 16 e desviopadrão σ = n ⋅ p ⋅ (1 − p) = 80 ⋅ 0.20 (probabilidade de uma família viver abaixo da linha da pobreza). determine: a) A probabilidade de menos de 10 famílias amostradas viverem abaixo da linha da pobreza. De uma amostra aleatória de 80 famílias e usando a aproximação normal. porém vamos usar a aproximação normal para calcular as probabilidades. Esta condição é uma regra prática usada por muitos autores. Uma alternativa para este problema é usar a distribuição normal como uma aproximação para a distribuição binomial.20 ⋅ (1 − 0.20) = 3.3 Aproximação Normal 4.20 = 16 ≥ 5 (ok) n⋅(1 . b) A probabilidade de 15 a 25 famílias amostradas viverem abaixo da linha da pobreza c) A probabilidade de menos de 25% das famílias amostradas viverem abaixo da linha da pobreza. se você lançar um dado para cima 300 vezes a probabilidade de se obter a face quatro mais de 80 vezes é obtida pela distribuição binomial. Verificando as condições: n⋅p = 80 = 80⋅0. 2 No exemplo do dado.45 De acordo com o último censo.667 6 Estatística Básica − 39 − prof. Regra prática Se a variável discreta X segue a distribuição binomial com parâmetros n e p n⋅ p ≥ 5 n⋅ q ≥ 5 6 A variável X terá aproximadamente uma distribuição normal com parâmetros µ = n ⋅ p e σ = n⋅ p⋅q Então. José Aguinaldo . mas podemos usar a distribuição normal para obter uma aproximação da probabilidade.

.868643 (faça o desenho da curva normal) d) “. Quando usamos a aproximação Normal para a Binomial.5777 Então: P(15 ≤ X ≤ 20) = P(-0..68) = área no intervalo (−∞. +∞) − área no intervalo [0. 0] – área no intervalo [-1.5777 Então: P(X < 20) = P(Z < 1.5 = 0.368643 = 0. 1... Estatística Básica − 40 − prof..12] = 0.5 − 0.30) = área no intervalo [0.” equivale a “.368643 = 0. 0] + área no intervalo [0...12 σ 3.” (25% de 80 é igual a 20) P(“menos de 20 famílias”) = P(X < 20) Padronizando o valor 20: x = 20 → z = x − µ 20 − 16 = = 1.453521 = 0. José Aguinaldo . 12.12] = 0.30] = 0.5777 Então: P(X < 10) = P(Z < -1.” (75% de 80 é igual a 60) P(“mais de 60 famílias”) = P(X > 60) Padronizando o valor 60: x = 60 → z = x − µ 60 − 16 = = 12.046479 (faça o desenho da curva normal) b) P(“de 15 a 20 famílias”) = P(15 ≤ X ≤ 20) = x − µ 15 − 16 Padronizando o valor 15: x = 15 → z = = = -0. 0] + área no intervalo [0. menos de 25% das famílias..68. menos de 20 famílias .5 – 0. mais de ¾ das famílias.0 (faça o desenho da curva normal) e) O número médio (ou valor esperado) de famílias que vivem abaixo da linha da pobreza é µ = 16 famílias.30 3..110261 + 0.3.12) = área no intervalo (−∞.” equivale a “..3.12 σ 3.5777 σ Então: P(X > 60) = P(Z > 12.12) = área no intervalo [−0.. mais de 60 famílias . 0] = 0.28 ≤ Z ≤ 1..5 + 0...5777 x − µ 20 − 16 Padronizando o valor 20: x = 20 → z = = = 1. 1..28 σ 3.28.68 σ 3. Este ajuste é denominado de correção de continuidade e esta descrita na seção 4. È de se esperar que algum ajuste deva ser feito. estamos aproximando uma variável discreta (que só assumem valores inteiros) por uma variável contínua (que pode assumir quaisquer valores dentro de um intervalo de número reais).478904 (faça o desenho da curva normal) c) “.a) P(“menos de 10 famílias”) = P(X < 10) = Padronizando o valor 10: x = 10 → z = x − µ 10 − 16 = = -1..

46% dos rolos de 200 metros apresentam menos de 5 defeitos. então de uma amostra de 80 rolos espera-se que 12 (14. Regra prática Se a variável discreta X segue a distribuição de Poisson com parâmetro λ λ≥5 A variável X terá aproximadamente uma distribuição normal com parâmetros µ = λ e σ = λ EXEMPLO 22 Se a indústria de tecido XYZ sabe que em sua produção costuma apresentar defeitos que segue a distribuição de Poisson com uma taxa média de 2 defeitos a cada 50 metros de tecido. Menos de 2 alunos terem carro próprio.1446 Veja que 14. a) b) c) d) e) No máximo 3 alunos terem carro próprio. Exatamente 6 alunos terem carro próprio. Solução ----------------------------------------------------------------------------------------------------------------Veja que a variável X = “número de defeitos em um rolo com 200 metros” segue a distribuição de Poisson λ = 8 defeitos (note que dois defeitos a cada 50 metros equivalem a oito defeitos a cada 200 metros). A 7 condição é de que o produto n⋅p seja um valor razoável (maior que 5.EXEMPLO 21 Sabe-se que 40% dos alunos em uma escola têm carro próprio. De uma turma com 15 alunos. nós podemos também usá-la como aproximação da distribuição de Poisson. Determine a) A probabilidade de um rolo com 200 metros de tecido apresentar 12 ou mais defeitos.2 Aproximação Normal para Poisson Da mesma forma que usamos a distribuição normal como aproximação da distribuição binomial. 7 Alguns falam λ ≥ 10 − 41 − Estatística Básica prof.0793 b) P(“de menos de 5 defeitos”) = P(X < 5) = P(Z < -1.06) = 0. por exemplo ). 4. José Aguinaldo . determine a probabilidades abaixo usando a distribuição Binomial e a aproximação normal.46% de 80) rolos tenham menos de 5 defeitos. a) P(“Doze ou mais defeitos”) = P(X ≥ 12) = P(Z ≥ 1. porém vamos usar a aproximação normal com µ = λ = 8 e σ = λ = 8 = 2.8284 . b) A quantidade esperada de rolos que teriam menos de 5 defeitos em uma amostra de 80 rolos de 200 metros. Pelo menos 10 alunos terem carro próprio.3. Mais 6 alunos terem carro próprio.41) = 0.

5 → z = = = -1.0.1057 b) P(“de menos de 5 defeitos”) = P(X < 5) = P(X ≤ 4) = P(X ≤ 4.4656 = 0..0. Volte ao exemplo 22 e use a aproximação normal com correção de Solução ---------------------------------------------------------------------------------------------------------------a) P(“Doze ou mais defeitos”) = P(X ≥ 12) = P(X ≥ 11. P(X ≤ a) = P(X ≤ a + 0.. Resposta: 0. estamos aproximando uma variável discreta (que só assumem valores inteiros) por uma variável contínua (que pode assumir quaisquer valores dentro de um intervalo de número reais).5 ≤ X ≤ a + 0..5) = . A correção de continuidade ajuda a melhorar as probabilidades obtidas por meio da aproximação normal para a Binomial e/ou Poisson. È de se esperar que algum ajuste deva ser feito.4.5) = P(Z < -1.3 Aproximação Normal com correção de continuidade Quando usamos a aproximação Normal para a Binomial e/ou Poisson. Resposta: 0. José Aguinaldo .5) P(X ≥ a) = P(X ≥ a .5) EXEMPLO 23 continuidade.5) P(X = a) = P(a . A correção é simplesmente somar ou subtrair 0.5) = .5 ao valor (antes de obter as probabilidades).5) x − µ 9.3.5 – 0. Volte ao exemplo 20 e use a aproximação normal com correção de Solução --------------------------------------------------------------------------------------------------------------a) P(“menos de 10 famílias”) = P(X < 10) = P(X ≤ 9) ≈ P(X ≤ 9..82) = 0. Este ajuste é denominado de correção de continuidade e esta descrita em outra seção..5 − 16 x = 9.0344 <<< continuar >>> EXEMPLO 24 continuidade.5777 Então: P(X < 10) ≈ P(X ≤ 9.82 σ 3.1057 Estatística Básica − 42 − prof.

caso o mercado esteja em alta ou um prejuízo de $50.80] + [5*0. calcule o valor esperado do retorno. calcule o valor esperado do retorno. calcule o valor esperado do retorno. José Aguinaldo . SOLUÇÃO ---------------------------------------------------------------------------------------------------------------a) Caso o gerente de Consultoria seja contratado.20 -50 BAIXA Contratar Gerente de Auditoria Cenário Mercado em ALTA Mercado em BAIXA Probabilidade 0. retorno médio) é maior. As alternativas propostas foram: Contratar um gerente para projetos de auditoria ou Contratar um gerente para projetos de consultoria.80 0. Qual proposta apresenta menor risco nos retornos? Obs: Em análise financeira.20] = $278 mil b) Caso o gerente de Auditoria seja contratado. qual deveria ser a melhor decisão para a empresa? Contratar o gerente de consultoria.20. Contratar Gerente de Consultoria Retorno Cenário Probabilidade (em mil) Mercado em 0. 8 Uma alta demanda por serviços de consultoria.20] = $193 mil c) Com base nos resultados obtidos em “a” e “b”. 2003) A empresa Masters & Doctos é uma empresa de prestação de serviços de auditoria independente e consultoria empresarial.20 Retorno (em mil) 240 5 Supondo que a probabilidade do mercado estar em ALTA seja 0. E(RConsultoria) = µC = ∑[xi*fi] = [360*0.80] + [(-50)*0.000. pois o retorno esperado (ou seja. qual deveria ser a melhor decisão para a empresa? d) Calcule o coeficiente de variação dos retornos em cada proposta. caso o mercado esteja em baixa.5 Exercícios resolvidos EXERCÍCIO 01 (Corrar e Theóphilo. b) Caso o gerente de auditoria seja contratado. calcule o valor esperado do retorno.80 360 ALTA Mercado em 0.000. A tabela abaixo resume os retornos proporcionados pela decisão tomada em dois possíveis cenários (mercado em alta ou mercado em baixa). − 43 − Estatística Básica prof. E(RAuditoria) = µA = ∑[xi*fi] = [240*0. A diretoria da empresa precisa decidir quanto à contratação de um novo gerente de projetos. a contratação de um gerente 8 de consultoria pode representar um retorno de $360. responda: a) Caso o gerente de consultoria seja contratado.80 e do mercado estar em BAIXA seja 0. investimento com menor variabilidade tem menor risco. c) Com base nos resultados obtidos em “a” e “b”. Por exemplo.

42. EXERCÍCIO 02 De acordo com pesquisa da Fecomércio-RJ (Federação do Comércio do Rio de Janeiro).0055 f(6) = 6! ⋅ 0. a) De todos deles comprarem produtos piratas.7%) • Contratando gerente de Consultoria µC = ∑[xi*fi] = 278 mil $ Variância: σ 2 A = ∑(xi −µC) *fi = (360 – 278) *0.487 (ou 48.80 + (5 -193) *0. 42% dos brasileiros assumiram que compraram produtos piratas em 2007. em parceria com o Instituto Ipsos. Considere uma amostra de 6 brasileiros escolhidos ao acaso.0055 6!⋅(6 − 6)! Lembre-se 0! = 1 (por definição) e 6! = 6x5x4x3x2x1 = 720 Estatística Básica − 44 − prof. Qual proposta apresenta menor risco nos retornos? Obs: Em análise financeira.d) Calcule o coeficiente de variação dos retornos em cada proposta. determine a probabilidade. investimento com menor variabilidade tem menor risco. • Contratando gerente de Auditoria µA = ∑[xi*fi] = $193 mil Variância: σ 2 A = ∑(xi −µA) *fi = (240 -193) *0.42 6 ⋅ 0.42.59 (ou 59%) • Então. • Por que foi escolhida a distribuição Binomial ??? Porque cada um dos 6 brasileiros escolhidos representa um experimento simples de Bernoulli com probabilidade de sucesso (que é de comprar produtos piratas) igual a 0. pois apresenta menor CV. SOLUÇÃO ---------------------------------------------------------------------------------------------------------------A variável X = “Número de brasileiros que compram produtos piratas em 2007” segue a distribuição Binomial com n = 6 e p = 0. b) De menos de dois deles comprar produtos piratas c) De pelo menos um deles comprar produtos piratas.80 + (-50 .20 = 26896 2 2 2 Desvio-padrão = σA = RAIZ(26896) = $164 mil $ → CV = σA / µA = 164 / 278 = 0.58 6 − 6 = 0. d) De apenas dois deles não comprarem produtos piratas.20 = 8836 2 2 2 Desvio-padrão = σA = RAIZ(8836) = $94 mil → CV = σA / µA = 94 / 193 = 0. José Aguinaldo .278) *0. “Um experimento de Bernoulli se caracteriza quando temos um experimento com apenas dois resultados (sucesso e fracasso) sendo a probabilidade de sucesso igual a p” a) P(“todos comprarem”) = P(X = 6) = 0. a proposta com menor risco é “Contratando gerente de Auditoria”.

421 ⋅ 0. quantas delas levarão menos de 20 minutos? Obs: Inicialmente. a) Supondo que uma empresa de contabilidade pública irá realizar uma auditoria.58 6 − 1 = 0.498250 = 0.. calcule a probabilidade de se gastar menos de 20 minutos.1570 6!⋅(6 − 2)! EXERCÍCIO 03 O tempo necessário para realizar auditoria de balanços contábeis segue aproximadamente uma distribuição normal com média de 40 minutos e desvio-padrão de 12 minutos.92 = 0. c) Cerca de 20% das auditorias gastam mais de k minutos.42 6 −2 = 0.0381 0!⋅(6 − 0)! f(1) = 6! ⋅ 0.92) = 0. José Aguinaldo .1654 = 0. determine a probabilidade de a empresa: i) Gastar mais de 75 minutos com a auditoria. a) i) P(X > 75) = P(Z > 2..5 .0381 = 0.58 6 − 4 = 0.40)/12 = 2.5 – 0.1570 4!⋅(6 − 4)! OBS: Note que se dois não compraram.”) c) P(“apenas dois deles não comprarem”) = P(“apenas quatro comprarem”) = f(4) = 0.00175 onde z = (75 .0381 + 0. 2.. temos que X segue a distribuição normal com µ = 40 min e σ = 12 min OBS: No cálculo de probabilidades usando a distribuição normal.5 – área[0..”) = P(X < 2) = f(0) + f(1) = 0..1570 = f(4) = 0. podemos também trocar a probabilidade de sucesso p = 0. 2. significa que quatro compraram.2035 f(0) = 6! ⋅ 0. Determine o valor de k.42 para 0.498250 = 0. iii) Gastar de meia hora a uma hora. Ou.9619 Lembre-se da seguinte dica P(“pelo menos um comprar . b) Se a empresa tiver 50 balanços contábeis para ser auditadas.498250 0 40 75 x − 45 − Estatística Básica prof..92] na TABELA = 0.58 6 − 0 = 0.b) P(“menos de dois .42 0 ⋅ 0.00175 OBS: área[0.1570 f(4) = 4! ⋅ 0.1654 1!⋅(6 − 1)! c) P(“pelo menos um .52 (pois 52% dos brasileiros não compram produtos piratas em 2007) f(2) = 6! ⋅ 0.”) = 1 – P(“nenhum comprar . ii) Gastar de 55 minutos a 70 minutos..92) = 0. ajuda muito quando desenhamos a curva normal com as regiões de interesse sombreadas.58 2 ⋅ 0.”) = P(X ≥ 1) = 1 – P(X < 1) = 1 – f(0) = 1 – 0..0.42 4 ⋅ 0. Solução -----------------------------------------------------------------------------------------------------------------Definindo a variável X = “tempo para realizar auditoria”.

José Aguinaldo .75% de 50 = 2.0. *** Ou usar regra de três 100% -----.5 .25] = 0.08 → k = 50.20 implica que P(0 ≤ Z ≤ zc) = 0.099440 onde z = (55-40)/12 = 1.0.75* 50 / 100 = 2.84*12 = 10.50 x = 4.0475 (ou seja.296731 área[0. 2.25] = 0.x c) P(X > k) = P(Z > zc) = 0.50] = 0.ii) P(55 ≤ X ≤ 70) = P(1.67 área[0. -0.394350 área[0.0.25 ≤ Z ≤ 2. basta resolver a equação zc = (k .4 ≈ 2 balanços.452540 = 0.452540 = 0.83] = 0.296731 + 0.25 z = (70-40)/12 = 2.452540 = 0.5] – área[0. veremos que P(Z > zc) = 0.50 área[0. espera-se que dois deles levem menos de 20 minutos para serem auditadas.67) = 0.83] = área[0.08 min 0.394350 = 0.µ)/ σ = 0. 0. 1.67] = 0. temos zc = 0.749271 30 40 60 x b) P(X < 20) = P(Z < -1.4 4.452540 = 0.84. 1.394350 = 0. Do total de 50 balanços.84 → ( k – 40) = 0.67) = 0.749271 onde z = (30-40)/12 = -0.75% -----.83 z = (60-40)/12 = 1.493790 . 4.75%) 4. 1. Agora.296731 + 0.30 e.099440 0 40 x 55 70 iii) P(30 ≤ X ≤ 60) = P(-0.493790 = 0.50) = área[0.493790 . pela tabela normal padrão.20 Fazendo o desenho da curva normal e sombreando corretamente as regiões.30 0.20 0 40 k=? x Estatística Básica − 46 − prof. 2.83 ≤ Z ≤ 1.

2707+0..2707 1! 1 2 3 e −2 8 ⋅ 0.3233 ( ou 32. A função probabilidade de X é f (x ) = λx e − λ x! com x = 0.13534 = = 0.2707 = 2! 2 2 0 e −2 1⋅ 0.7183) = (1/2.18%). José Aguinaldo . f(1) e f(0) separadamente. • f (2) = f (0 ) = 2 2 e −2 4 ⋅ 0. o que seria nada prático de se fazer..36788) = 0.3233 P(X ≥ 3) = 1 – P(X < 3) = 1 − [f(2) + f(1) + f(0)] OBS: Optamos por usar o complemento.2707 + 0. 3]) = P(1 ≤ X ≤ 3) = f(1) + f(2) + f(3) = 0. f(4). .20 metros? Solução ----------------------------------------------------------------------------------------------------------------A variável X = “número de defeito por metro quadrado” segue a distribuição de Poisson com 2 média de λ = 2 defeitos/m .6767 = 0.2707 + 0.7183 a) P(“aparecer no mínimo três defeitos em uma folha”) = P(X ≥ 3) = 0.1353) = 1 – 0..7218 ( ou 72. f(5) e assim sucessivamente.7183) = (0.2707 2! 2 • P(1 ≤ X ≤ 3) = 0.13534 = 0.2707+0.50 metros x 2.33%).EXERCÍCIO 04 Sabe-se que pequenos defeitos em folhas de compensado seguem a distribuição de Poisson com uma média de dois defeitos por metro quadrado.13534 = = 0. e = 2.1353 (ou use a função = exp(-2) no Excel) 2 2 P(X ≥ 3) = 1 − [ f(3) + f(2) + f(1) ] = 1 – (0.1804 3! 6 f (2) = 2 2 e −2 4 ⋅ 0.2707 = 1! 1 • e−2 = (2.7218 Estatística Básica − 47 − prof. ”) = P(X ∈ [1.1353 = 0! 1 -2 f (1) = 21 e −2 2 ⋅ 0. 1. a) Qual a probabilidade de aparecer no mínimo três defeitos em uma folha com 1 metro quadrado? b) Qual a probabilidade de aparecer mais de um a três defeitos em uma folha com 1 metro quadrado? c) Qual a probabilidade de aparecer no máximo dois defeitos em uma folha de 1. Vamos primeiro calcular f(2). 2.7218 • f (1) = f (3) = 21 e −2 2 ⋅ 0. RESPOSTA: A probabilidade de aparecer no mínimo 3 defeitos em uma folha com um metro quadrado é de 0.13534 = = 0.3233 b) P(“aparecer de um a três defeitos . pois P(X ≥ 3) envolveria calcular a probabilidade de f(3).13534 = 0.1804 = 0..13534 = 0. RESPOSTA: A probabilidade de aparecer de um a três defeitos em uma folha com um metro quadrado é de 0.

.6 43.30 m * * 2 λ = (2 x 3.5 x 2..6 ⋅ 0.00898 1! 1 • 6.58 = 34.” = “ .8 ≥ 5 ok e ok Estatística Básica − 48 − prof. Neste caso ainda podemos usar a distribuição de Poisson...00136 = = 0.42. 20 desses brasileiros terem comprado produtos piratas? c) Qual a probabilidade de mais da metade desses brasileiros terem comprado produtos piratas? obs: “.20 metros o que daria uma área de 1.3 m P(X ≤ 2) = f(0) + f(1) + f(2) • 2 f (0 ) = f (2) = 6. RESPOSTA: A probabilidade de aparecer no máximo dois defeitos em uma folha com 1.. a) Qual o valor esperado (µ) e o desvio-padrão (σ) da variável X = “número de brasileiros amostrados que compram produtos piratas”.. Para usar a aproximação normal as condições n∗p ≥ 5 e n∗(1-p) ≥ 5 devem ser satisfeitas n∗p = 60 ∗ 0.30 metros quadrados.6 0 e −6. exatamente 33 (= 55% de 60) .” Solução --------------------------------------------------------------------------------------------------------------a) A variável X = “Número de brasileiros que compraram produtos piratas em 2007” segue a distribuição Binomial com n = 60 e p = 0.” d) Qual a probabilidade de exatamente 55% desses brasileiros terem comprado produtos piratas? obs: “. mas agora considere que a amostra aleatória foi de 60 brasileiros. porém temos que alterar a média λ..00136 = = 0. no máximo.. Usando a regra de três simples 2 2 defeitos -------------..2 ≥ 5 n∗(1-p) = 60 ∗ 0. 02963 2! 4 P(X ≤ 2) = f(0) + f(1) + f(2) = 0.001360 + 0.1 m λ defeitos ------------. EXERCÍCIO 05 Volte ao EXERCÍCIO 2..56 ⋅ 0.42 = 25.03997 ( ou ≈ 4%).6 defeitos em folhas com 3.6 1 ⋅ 0.00136 = = 0.61 e −6..20 metros”) = P(X ≤ 2) Aqui temos uma folha com as seguintes dimensões 1.2 metros é 0.04.50 metros x 2.” = “ .3.2 = 3.00898 + 0..6 2 e −6. mais de 30 (= metade de 60) .5 x 2. b) Qual a probabilidade de.. José Aguinaldo .. mais da metade .02963 = 0.6 6.00136 0! 1 f (1) = 6.. exatamente 55% ..c) P(“aparecer no máximo dois defeitos em uma folha de 1. Responda os itens abaixo usando a aproximação normal.50 metros x 2.30)/1 = 6.

Como as duas condições acima foram satisfeitas.013313 (valor exato) Estatística Básica − 49 − prof.086915 onde z = (20-25.2 brasileiros desvio-padrão: σ = n ⋅ p ⋅ q = 60 ⋅ 0.396165 (Faça o desenho da curva normal com a área sombreada) d) P(“exatamente 55% desses brasileiros comprarem .823 = 2.2)/3. em vez de calcular a probabilidade P(X = 33) deveríamos calcular a probabilidade de X estar dentro do intervalo [32.2)/3.5-25.823.58 = 14. então podemos usar a aproximação Normal para distribuição Binomial.823 = 2.91 ≤ Z ≤ 2.2)/3.26 área[0. A aproximação normal poderia ser melhorada usando o que chamamos de correção de continuidade. José Aguinaldo . 2. 1.04 Em (d) o valor obtido não é foi uma boa aproximação.484997 – 0.”) = P(X ≤ 20) = P(Z ≤ -1.471933 área[0. pois se usássemos modelo Binomial (que seria o mais correto) para calcular P(X = 33) o valor obtido seria diferente de zero.413085 (Faça o desenho da curva normal com a área sombreada) c) P(“mais da metade comprarem .91 z = (33.36] na TABELA NORMAL = 0..26] na TABELA NORMAL = 0. Esta correção seria simplesmente somar e subtrair 0.25.04) = 0 onde z = (33 . Então.42 ⋅ 0.0.823 = 1.5) = P(1..17] na TABELA NORMAL = 0.”) = P(X = 33) = P(Z = 2.17) = 0.823 = -1.484997 OBS: Usando o modelo Binomial teríamos f(33) = 0.823 brasileiros b) P(“no máximo 20 comprarem . a variável X tem aproximadamente distribuição normal com média µ = n∗p = 25..36) = 0..2 e desvio-padrão σ = n ⋅ p ⋅ q = 3.616 = 3.5 – 0.5].5 .5-25.013063 (valor aproximado) onde z = (32. Sendo assim. RESPOSTAS: Média: µ = n∗p = 60*0.36 área[0.91] na TABELA NORMAL = 0.”) = P(X > 30) = P(Z > 1.2)/3.17 área[0.5 do valor 33 antes de calcular a probabilidade. 33.42 = 25.103835 onde z = (30-25..5 ≤ X ≤ 33.823 = 1.. -1.396165 = 0. P(32.5 .26) = 0.413085 = 0.2)/3. 1.471933 = 0.

Essa peça deverá ser embalada em uma caixa que pesa em média 2 kg com desvio-padrão de 1 kg. Construa a distribuição de probabilidade da variável aleatória X = “soma das faces voltadas para cima”. Vamos considere os próximos 6 clientes que entrarão na loja e que X = “número de clientes que farão alguma compra”.35 70 k 120 0.39322 6 ? a) Complete a distribuição de probabilidade para a variável X.10 40 0.15 a) Determine o valor de k.01536 3 ? 4 0. EXERCÍCIO 02 A tabela abaixo mostra distribuição de probabilidade para o lucro obtido nas vendas diárias de uma peça x Lucro em $ f(x) Probabilidade -20 0.25 150 0. e) Qual seria o lucro mensal esperado nas vendas das peças. José Aguinaldo .00006 1 ? 2 0. x f(x) 0 0. Um EXERCÍCIO 04 aluno não estudou para a prova e resolveu “chutar” as questões. Qual será a média e o desvio-padrão da peça embalada? Uma prova tem 6 questões com quatro alternativas cada uma. Obs: 1 mês = 30 dias EXERCÍCIO 03 Suponha que os pesos de uma peça apresentam uma média de 25 kg e desvio-padrão de 3 kg. Determine a probabilidade de o aluno: a) Acertar no máximo 1 questão b) Acertar todas as questões c) Acertar pelo menos uma questão d) Errar no máximo uma questão. c) Qual seria o lucro diário esperado nas vendas das peças. b) Qual é a probabilidade de o estabelecimento não ter prejuízo.6 Exercícios propostos EXERCÍCIO 01 Um dado honesto é lançado duas vezes para cima de forma independente. d) Calcule o desvio-padrão do lucro diário. EXERCÍCIO 05 O gerente da loja XYZ sabe que 80% dos clientes que entram na loja fazem algum tipo de compras.05 -5 0. de forma que a tabela acima seja realmente uma distribuição de probabilidade. b) Qual a probabilidade de menos de 3 clientes realizarem alguma compra? c) Qual a probabilidade de mais de 4 clientes realizarem alguma compra? Estatística Básica − 50 − prof.24576 5 0.

usando a aproximação normal.000121 b) cerca de 18 geladeiras c) k = 108. a) O fabricante estipulou como garantia um prazo máximo de 6 meses.EXERCÍCIO 06 Sabe-se que 5% das peças são fabricadas com defeito.5 P(X > 3) = 0. Um aluno nada estudou e está pretendendo “chutar” as questões. determine o valor de k.0 EXERCÍCIO 10 m exame de múltipla escolha foi elaborado com 10 questões. então P(X > 25) = P(z > 5) = 0. a) Qual a probabilidade de ele acertar todas as questões? b) Qual a probabilidade de ele errar oito questões? c) Qual a probabilidade de ele ser aprovado no exame? d) Qual o número esperado de questões que este aluno acertaria? Respostas: a. usando a aproximação normal. Um grande lote com peças será rejeitado se uma amostra de 20 peças apresentarem 3 ou mais peças defeituosas.25143 b) mais de ¼ equivale dizer mais de 25% de 100 = 25.5 questões (de 2 a 3 questões) Estatística Básica − 51 − prof. A aprovação no exame exige do aluno que ele acerte pelo menos 60% da prova. Respostas: µ = 10 σ = 3 a) P(X < 8) = P(z < -0. cada uma com quatro opções.) p(10) = 0. a) Calcule. b) Se forem vendidas 150 mil geladeiras durante um ano. José Aguinaldo .07548 EXERCÍCIO 07 Sabe-se que 10% das pessoas são canhotas em certa empresa. período no qual ele ficará obrigado de consertar qualquer defeito que surgir no equipamento. p(2) = 0. qual o número esperado de geladeiras que o fabricante deverá consertar durante o prazo da garantia? c) Sabendo que 98% das geladeiras conseguem durar mais de k meses.23641 f(0) = 0. a probabilidade de menos de oito pessoas desistirem de permanecer na fila. de mais de um quarto das pessoas desistirem de permanecer na fila. a) Qual o número esperado de funcionários canhotos no setor XYZ? b) Determine a probabilidade de: • Haver mais de 3 canhotos no setor XYZ • Haver nenhum canhoto no setor XYZ Resposta: µ = 2. qual a probabilidade de o lote ser rejeitado? Resposta: P(X ≥ 3 ) = 0.) “errar 8 questões” ⇒ “acertar 2 questões” Então.18771 c. Determine a probabilidade de uma geladeira estragar durante a garantia.07179 EXERCÍCIO 08 Testes indicam que o tempo de duração das geladeiras da marca XYZ tem distribuição normal com média de 72 meses e desvio-padrão de 18 meses. Respostas: a) 0.) número médio de questões corretas = µ = n⋅p = 2.01973 d. Em uma fila com 100 pessoas.) P(ser aprovado) = P(acertar no mínimo 6 questões) = p(6) + p(7) + p(8) + p(9) + p(10) = 0.67) = 0.9 meses EXERCÍCIO 09 Sabe-se que 10% das pessoas que estão na fila de um banco desistem de permanecer na fila.0000009537 b. No setor XYZ dessa empresa trabalham 25 funcionários. b) Calcule.

10484 EXERCÍCIO 13 Seu computador na empresa onde trabalha recebe e-mail a uma taxa média de 2 e-mails a cada cinco minutos. se você comprasse 20 barras? Respostas: a.997521 d) 0. Resposta: P(X > 30) = P(Z > 1.75) = 0.014873 e) 0.) P(X < 90) = P(Z < -2. Repostas a) 0.EXERCÍCIO 11 Uma fabrica de chocolate comercializa barras de chocolate que pesam em média 200 gramas.3944 (ou 39.) P(200 ≤ X ≤ 250) = P(0 ≤ Z ≤ 1. a) Qual a probabilidade de uma barra de chocolate escolhida ao acaso pesar de 200 a 250 gramas? b) Qual a probabilidade de uma barra de chocolate escolhida ao acaso pesar menos de 90 gramas? c) Qual o número esperado de barras de chocolate com peso superior a 230 gramas. O modelo Binomial não é aplicado aqui. note que o modelo de POISSON é o mais adequado.) P(X > 230) = P( Z > 0.5) = P(X > 30.002479 b) 0. Os pesos são normalmente distribuídos com uma desvio-padrão de 40 gramas.5 barras (de 4 a 5 barras) EXERCÍCIO 12 Um banco recebe em média 6 cheques sem fundo por dia. José Aguinaldo .003 (ou 0. Qual é a probabilidade de que ele receba: a) nenhum cheque sem fundo um determinado dia? b) 4 cheques sem fundo durante um determinado dia? c) pelo menos um cheque sem fundo um determinado dia? d) um cheque sem fundo da Terça-feira? e) dez cheques sem fundo durante um determinado dia? f) dez cheques sem fundo em um intervalo de dois dias seguidos? DICA: Apesar de não estar falando do modelo a ser utilizado.33) = 0.22) = 0.0918 (com correção de continuidade) Estatística Básica − 52 − prof.13385 c) 0. pois temos a informação de uma taxa média de 6 cheques sem fundos durante o intervalo de um DIA (λ = 6 cheques/dia).75) = 0.44%) b.66% de 20 = 4. Durante uma hora de serviço qual a probabilidade de você ter recebido mais de trinta e-mails (usando a aproximação Normal para Poisson).2266 (ou 22.04130 f) 0. pois não temos a probabilidade de sucesso (p) e nem o número de tentativas (n) independentes.5) = P(Z > 1.3%) c.1112 (sem correção de continuidade) P(X > 30) = P(X > 30 +0.66%) 22.25) = 0.

STEPHAN.. Rio de Janeiro: LTC . KREHBIEL. 656p. Estatística Aplicada à Gestão Empresarial. 2005. Mark L.. São Paulo. Leal Adriano. São Paulo: Editora Atlas. Estatística: Teoria e Aplicações usando Microsoft Excel em Português. Editora Atlas.Livros Técnicos e Científicos. Estatística Geral e Aplicada. c2005. LEVINE. David M. 2008. José Aguinaldo . Timothy C.7 • • Bibliografia BRUNI. Introdução à estatística. 2005. David. Mario F. Gilberto de Andrade. TRIOLA. • • Estatística Básica − 53 − prof. 2ª Edição. 5 ed. BERENSON.. Rio de Janeiro: LTC ..Livros Técnicos e Científicos. MARTINS.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->