2

1. Variveis aleatrias

1. Introduo

As distribuies de freqncias de amostras foram tratadas anteriormente. Agora,
trataremos das distribuies de probabilidades de populaes. A distribuio de
freqncia de uma amostra uma estimativa da distribuio de probabilidade da
populao correspondente. Se o tamanho da amostra for grande, espera-se que a
distribuio de freqncias da amostra tenha uma boa aproximao da
distribuio de probabilidade da populao.

No estudo de pesquisas empricas e anlises de situaes reais, a Estatstica
Descritiva (tabelas de freqncias, mdia, moda, mediana, desvio padro, etc) so
bastante teis. Porm, no estudo de uma populao, as distribuies de
probabilidades, como veremos mais adiante, so preferidas, pois possibilitam a
construo de modelos matemticos que nos auxiliam na compreenso dos
fenmenos do mundo real.

2. Variveis aleatrias

Como j vimos no estudo das probabilidades, o conjunto de todos os possveis
resultados de um experimento aleatrio chamado de espao amostral. Os
elementos desse conjunto podem ser numricos ou no. Por exemplo, o nmero
de filhos de um casal um exemplo de conjunto numrico. Porm, o grau de
escolaridade de um indivduo algo no numrico. Dessa forma, em muitas
vezes, para podermos trabalhar probabilisticamente com uma varivel no
numrica, atribumos valores para cada elemento do espao amostral.

O resultado de um experimento de probabilidade geralmente uma contagem ou
uma medida. Quando isso ocorre, o resultado chamado de varivel aleatria.

Definio: uma varivel aleatria X representa um valor numrico associado a
cada resultado de um experimento de probabilidade. A palavra aleatria indica que
os valores assumidos por X so obtidos ao acaso.

Notao: geralmente, as variveis aleatrias so representadas por letras
maisculas (X), enquanto que os valores assumidos por essas variveis
aleatrias so representadas por letras minsculas (x). Dessa forma, se
escrevermos X=x queremos dizer que a varivel aleatria X assume um valor
numrico igual a x.

As variveis aleatrias podem ser de dois tipos: discretas ou contnuas.

2.1. Variveis aleatrias discretas

Uma varivel aleatria discreta se ela assume um nmero finito de valores ou
assume um nmero infinito de valores numerveis (contveis). Podemos dizer que
uma varivel discreta quando seus valores puderem ser listados.


3
Por exemplo: o nmero de ligaes recebidas por dia em um escritrio pode ser
um valor igual a 0, 1, 2, 3, 4, ... Assim, definimos a varivel aleatria X:

X: nmero de ligaes recebidas pelo escritrio.

Os valores que essa varivel pode assumir so x=0, 1, 2, 3, ... Dessa forma, se
escrevermos X=3 estamos dizendo que o nmero de ligaes recebidas pelo
escritrio (X) igual a 3 ligaes (x).

2.2. Variveis aleatrias contnuas

Uma varivel aleatria contnua se ela possui um nmero incontvel de
possveis resultados. Ou seja, uma varivel dita contnua quando os valores que
ela pode assumir puderem ser representados como um intervalo na reta dos
nmeros reais. Neste caso, os valores assumidos por uma varivel contnua, no
podem ser listados, visto que so infinitos os possveis valores dessa varivel.

Por exemplo: consideremos o tempo de durao de uma ligao recebida em
minutos (incluindo fraes de minutos). Neste caso, podemos definir uma varivel
aleatria Y da seguinte forma:

Y: tempo de durao de uma ligao em minutos.

Perceba que os valores de Y podem assumir qualquer valor em um intervalo real.
Suponhamos, para facilitar, que o tempo mximo de uma ligao seja de 120
minutos. Neste caso, os valores y pertencem ao intervalo [0, 120].

3. Distribuies de probabilidades discretas

Para cada valor de uma varivel aleatria discreta pode-se determinar uma
probabilidade correspondente a esse valor. Ao listar cada valor de uma varivel
aleatria juntamente sua probabilidade, voc estar formando uma distribuio
de probabilidade.

Uma distribuio de probabilidades deve satisfazer as seguintes condies:

I. A probabilidade de cada valor da varivel um nmero de 0 1. Ou seja:

1 ) x X ( P 0 = ou, ainda, 1 ) x ( P 0 .

II. A soma de todas as probabilidades igual a 1:

= =
i
i
1 ) x X ( P , ou ainda,

=
i
i
1 ) x ( P .

Perceba que podemos trabalhar com dois tipos de notao: P(X=x) ou
simplesmente P(x). Por exemplo, a probabilidade de a varivel X assumir o valor
igual a 3 pode ser escrita como P(X=3) ou apenas P(3).


4
Exemplo 1: um psiclogo aplicou um teste para classificar o nvel de estresse dos
150 funcionrios de uma empresa. Para isso, ele atribuiu cinco possibilidades:
muito calmo, calmo, moderado, irritado, muito irritado. Essas caractersticas foram
pontuadas com valores de 1 5, onde 1 indica a qualidade muito calmo e 5
indica muito irritado. Definindo a varivel aleatria X: nvel de estresse, podemos
dizer que x=1,2,3,4,5. Os resultados da pesquisa esto na tabela a seguir:

x frequncia
1 24
2 33
3 42
4 30
5 21
total 150

Construir uma distribuio de probabilidade para a varivel X.

Resoluo

Utilizando a tabela, podemos calcular as probabilidades:

P(X=1) = 24/150 = 0,16
P(X=2) = 33/150 = 0,22
P(X=3) = 42/150 = 0,28
P(X=4) = 30/150 = 0,20
P(X=5) = 21/150 = 0,14

A distribuio de probabilidades est apresentada na tabela a seguir:

x 1 2 3 4 5
P(X=x)
ou P(x)
0,16 0,22 0,28 0,20 0,14

Graficamente, podemos representar da seguinte forma:


5
Nveis de estresse
0
0,05
0,1
0,15
0,2
0,25
0,3
1 2 3 4 5
escore
p
r
o
b
a
b
i
l
i
d
a
d
e


Exemplo 2: em uma cidade, a distribuio de probabilidade da varivel que
representa o nmero de dias de chuva ao longo de uma determinada semana
dada pela tabela:

Dias de chuva Probabilidade
0 0,216
1 0,432
2 m
3 0,064

a) defina a varivel aleatria X;
b) calcule o valor m apresentado na tabela;
c) determine P(X=3);
d) calcule P(X<2);
e) calcule P(X2).

Resoluo

a) X: nmero de dias da semana que chove em certa cidade.
b) A soma de todas as probabilidades deve ser igual a 1. Logo:
0,216 + 0,432 + m + 0,064 = 1
E, portanto, m=0,288.
c) P(X=3) = P(3) = 0,064
d) P(X<2) = P(X=0) + P(X=1) = 0,216 + 0,432 = 0,648
e) Sabendo que P(X<2) + P(X2) = 1, temos que P(X2) = 1 0,648 = 0,352.

Exemplo 3: em uma caixa h 5 peas boas e 3 defeituosas. Duas peas so
retiradas ao acaso e sem reposio. Definindo a varivel aleatria X como sendo o
nmero de peas boas retiradas, obtenha a distribuio de probabilidades.


6

Resoluo

Vamos construir a rvore de probabilidades:















Definindo:

X: nmero de peas boas retiradas.

Note que X poder assumir valores iguais a 0, 1, ou 2. Logo, a distribuio de
probabilidades ser dada pela tabela:


x 0 1 2
P(X=x)
56
6

56
30

56
20



4. Valor Esperado ou Mdia de uma varivel aleatria discreta

Seja X uma varivel aleatria discreta, com valores x
1
, x
2
, ..., x
k
. O valor esperado
de X (ou esperana matemtica de X), ou simplesmente a mdia de X definida
como:

=
= =
k
1 i
i i
) x ( P . x ) X ( E



J vimos que a mdia amostral dada por

=
=
n
1 i
i i
x . f x . A mdia terica (ou
populacional) semelhante mdia amostral x . medida que o tamanho da
amostra aumenta, a freqncia relativa f
i
aproxima-se de p(x
i
), ou seja, a mdia
amostral aproxima-se da mdia populacional.
B
D
B
B
D
D
5
/
8

3
/
8
4
/
7

3
/
7

5
/
7

2
/
7
20 / 56
15 / 56
15 / 56
6 / 56

7

Observao: embora as probabilidades nunca possam ser negativas, o valor
esperado de uma varivel aleatria pode ser negativo.


Exemplo 4: considere um jogo no qual se lanam trs moedas no viciadas e se
recebe R$ 2,00 caso aparea 1 cara, R$ 4,00 se aparecerem 2 caras e R$ 8,00
caso apaream 3 caras. Se nenhuma cara ocorrem, nada se recebe. Quanto se
esperaria ganhar caso fizesse esse jogo uma vez? Em outras palavras: qual o
valor esperado de uma jogada?

Inicialmente, fazendo o estudo das probabilidades (como a construo de uma
rvore de probabilidades, por exemplo), verificamos que a probabilidade de
ocorrer uma certo nmero de caras dada pela tabela:

Ncaras Probabilidade
0 1/8
1 3/8
2 3/8
3 1/8

Se definirmos a varivel aleatria X: valor a ser recebido, podemos construir a
distribuio de probabilidades de X, conforme tabela a seguir:

Ncaras 0 1 2 3
x
i
: valor a ser recebido (R$) 0 2 4 8
Probabilidade: P(X=x
i
) 1/8 3/8 3/8 1/8

A esperana (ou valor esperado) ser:

25 , 3 $ R
8
26
8
1
. 8
8
3
. 4
8
3
. 2
8
1
. 0 ) X ( E = = + + + = .

O valor esperado uma mdia a longo prazo. No caso, aps vrias jogadas, se
esperaria ganhar R$ 3,25.


Exemplo 5: em um sorteio, 1500 bilhetes so vendidos a R$ 2,00 cada. Sero 4
prmios sorteados nos valores de R$ 500, R$ 250, R$ 150 e R$ 75. Voc compra
um bilhete. Qual o valor esperado do seu lucro?

Resoluo

Para encontrar o lucro para cada prmio, devemos subtrair o valor do prmio do
valor pago pelo bilhete. Assim, para o prmio de R$ 500, temos um lucro igual a
R$ 500 R$ 2 = R$ 498. E assim por diante para os demais prmios. Definindo a
varivel aleatria discreta X: lucro em reais, construmos a distribuio de
probabilidades:



8

Lucro em reais(x) 498 248 148 73 2
P(X=x)
1500
1

1500
1

1500
1

1500
1

1500
1496


Agora, calculamos o valor esperado:

35 , 1
1500
1496
). 2 (
1500
1
. 73
1500
1
. 148
1500
1
. 248
1500
1
. 408 ) X ( E = + + + + =

Logo, como o valor esperado negativo, voc espera perder uma mdia de
R$1,35 por cada bilhete que comprar.


5. Varincia e desvio padro de uma varivel aleatria discreta

Como j estudamos, a varincia uma medida de disperso que avalia o grau de
homogeneidade dos valores da varivel em torno da mdia. A definio da
varincia de uma varivel aleatria discreta X dada por:

[ ]
2 2
) x ( E ) X ( Var = =

Desenvolvendo o quadrado da diferena, obtemos uma frmula prtica para o
clculo da varincia:

) X ( E ) X ( E ) X ( Var ) X (
2 2 2
= =


onde:

=
=
k
1 i
i i
) x ( P . x ) X ( E e

=
=
k
1 i
i
2
i
2
) x ( P . x ) X ( E

Cuidado: E
2
(X) = [E(X)]
2
que diferente do valor de E(X
2
).


O desvio padro da varivel X corresponde raiz quadrada da varincia:

) X ( ) X (
2
= ou ainda ) X ( Var ) X ( DP = .






9
Exemplo 6: uma loja possui a seguinte distribuio de vendas de geladeiras por
semana:

x
i
(vendas) 0 1 2 3 4
P(X=x
i
) 0,20 0,30 0,30 0,15 0,05

Calcular o valor esperado de X: nmero de vendas por semana e o desvio padro
de X.

Utilizando a frmula para a esperana:

E(X) = 0.0,20 + 1.0 ,30 + 2.0,30 + 3.0,15 + 4.0,05 = 1,55 geladeiras.

Vamos calcular a varincia. Para isto, precisamos determinar, antes, o valor de
E(X
2
):

E(X
2
) = 0
2
.0,20 + 1
2
.0,30 + 2
2
.0,30 + 3
2
.0,15 + 4
2
.0,05 = 3,65.

Utilizando a frmula da varincia:

25 , 1 ) 55 , 1 ( 65 , 3 ) X ( E ) X ( E ) X ( Var
2 2 2
= = =

O desvio padro ser:

12 , 1 25 , 1 ) X ( DP = = foges.

6. Exerccios

1) Seja X a varivel aleatria correspondente soma dos pontos obtidos no
lanamento de dois dados. Determine:
a) a distribuio de probabilidades de X;
b) P(3 X 10)
c) P(X > 7)
d) P(X 5)


2) Uma varivel aleatria tem a distribuio de probabilidade dada pela seguinte
frmula:

P(x
i
) = K/x para x = 1, 3, 5, 7.

a) Determinar K.
b) Calcular P(2 X 6).

3) Um vendedor calcula que cada contato resulta em venda com probabilidade de
20%. Certo dia, ele contata dois possveis clientes. Construa a tabela de
distribuio de probabilidade para a varivel Y: nmero de clientes que assinam
um contrato de venda.


10
4) Uma varivel aleatria discreta pode assumir cinco valores, conforme a
distribuio de probabilidade:

x
i
1 2 3 4 5
P(x
i
) 0,20 0,25 ? 0,30 0,10

a) Encontre o valor de P(3).
b) Calcule a mdia da distribuio.
c) Calcule a varincia e o desvio padro de X.

5) A distribuio de probabilidade de uma varivel aleatria X dada pela frmula:

P(x) = (0,8).(0,2)
x1
para x=1,2,3,...

a) Calcular P(x) para x=1, x=2, x=3, x=4 e x=5.
b) Some as probabilidades obtidas no item a. O que voc pode dizer a respeito
das probabilidades para valores de x maiores que 5?

6) O nmero de chamadas telefnicas recebidas por uma central e suas
respectivas probabilidades para um intervalo de um minuto so:

Nde chamadas 0 1 2 3 4 5
Probabilidades 0,55 0,25 0,10 0,04 0,04 0,02

a) Determinar P(1 X 4) e P(X > 1).
b) Qual o nmero esperado de chamadas em um minuto?
c) Lembrando que o coeficiente de variao o quociente entre o desvio padro e
a mdia, calcule o coeficiente de variao de X.

7) De acordo com uma pesquisa do Data Journal, 70% das pessoas que
trabalham em escritrios utilizam computadores da IBM. Se dois indivduos que
trabalham em escritrios so selecionados ao acaso, encontrar a distribuio de
probabilidades da varivel X: nmero de usurios dos computadores da IBM.
Calcule a mdia e o desvio padro dessa varivel.

8) O grfico mostra a distribuio de furaces que atingiram o territrio dos EUA
divididos por categorias, sendo 1 o nvel mais fraco e 5 o mais forte.


11

Para essa varivel, calcule:
a) a esperana;
b) a varincia;
c) o desvio padro.

9) O grfico mostra a distribuio de probabilidades do nmero de pessoas que
moram em cada casa nos EUA:



Para essa varivel, calcule:
a) a esperana;
b) a varincia;
c) o desvio padro.

10) Em um jogo de roleta americana, h 38 nmeros: 00, 0, 1, 2, 3, ..., 36
marcados em espaos igualmente divididos. Se um jogador aposta $ 1 em um
nmero e ganha, ele continua apostando com o $ 1 e recebe $ 35 adicionais.
Caso contrrio, ele perde $ 1. Definindo a varivel X: lucro obtido em uma rodada,
determine a quantidade mdia de dinheiro, por jogo, que esse jogador pode
esperar perder (e no ganhar, visto que se trata de um jogo de azar).





12

Respostas
1) a)
x
i
2 3 4 5 6 7 8 9 10 11 12
P(x
i
) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
b) 8/9
c) 5/12
d) 5/18
2) a) K = 105/176 b) 7/22
3)
y
i
0 1 2
P(y
i
) 0,64 0,32 0,04
4) a) 0,15 b) 2,85 c) 1,7275 e 1,31
5) a)
x
i
1 2 3 4 5
P(x
i
) 0,8 0,16 0,032 0,0064 0,00128
b) A soma das probabilidades 0,99968. logo, as probabilidades para valores maiores que 5 so
prximas de zero.
6) a) 0,43 e 0,20 b) 0,83 d) CV = 145,8%
7)
x
i
0 1 2
P(x
i
) 0,09 0,42 0,49
(X) = 1,40
(X) = 0,65
8) a) 2,0 b) 1,0 c) 1,0
9) a) 2,5 b) 1,9 c) 1,4
10) $ 0,05


13
2. Modelos Discretos de Distribuies de Probabilidades

2.1. Lei binomial da probabilidade - Ensaios de Bernoulli

Consideremos um experimento que consiste em uma seqncia de ensaios ou
tentativas independentes, isto , ensaios nos quais a probabilidade de um
resultado em cada ensaio no depende dos resultados ocorridos nos ensaios
anteriores, nem dos resultados nos ensaios posteriores. Em cada ensaio, podem
ocorrer apenas dois resultados, um deles que chamaremos de sucesso (S) e
outro que chamaremos de fracasso (F). probabilidade de ocorrer sucesso em
cada ensaio chamaremos de p; a probabilidade de fracasso chamaremos de q,
de tal modo que q=1p. Tal tipo de experimento recebe o nome de ensaio de
Bernoulli.

Exemplos de ensaio de Bernoulli

1) Uma moeda lanada 5 vezes. Cada lanamento um ensaio, em que dois
resultados podem ocorrer: cara ou coroa. Chamemos de sucesso o evento sair
uma cara e de fracasso o evento sair uma coroa. Em cada ensaio, p=0,5 e
q=0,5.

2) Uma urna contm 4 bolas vermelhas e 6 brancas. Uma bola extrada,
observada sua cor e reposta na urna; este procedimento repetido 8 vezes. Cada
extrao um ensaio, em que dois resultados podem ocorrer: bola vermelha ou
bola branca. Chamemos de sucesso o evento sair bola vermelha.
Conseqentemente, fracasso corresponde ao evento sair bola branca. Neste
caso,
10
4
p = e
10
6
q = .

2.2. Distribuio Binomial

Antes de apresentarmos a frmula e suposies da distribuio Binomial de
probabilidades, vamos analisar um exemplo e deduzir a frmula a partir dele.

Exemplo 1: uma prova consta de 10 testes com 5 alternativas cada um, sendo
apenas uma delas correta. Um aluno que nada sabe a respeito da matria
avaliada, chuta uma resposta para cada teste. Qual a probabilidade dele
acertar exatamente 6 testes?

A probabilidade de acertar um teste aleatoriamente 2 , 0
5
1
= . Logo, a de errar
esse teste de 8 , 0
5
4
5
1
1 = = .

Vamos considerar uma situao bastante especfica: o aluno acerta os testes de 1
6 e erra os testes de 7 10. A probabilidade de isso acontecer obtida
utilizandose o Princpio Fundamental da Contagem:

0,2 . 0,2 . 0,2 . 0,2 . 0,2 . 0,2 . 0,8 . 0,8 . 0,8 . 0,8 =

14
= (0,2)
6
. (0,8)
4
0,000026 ou 0,0026%.

Porm, essa apenas uma situao de acertos / erros possvel. O nmero total de
maneiras que esse aluno pode acertar 6 testes de um total de 10 testes
calculada utilizandose combinao (visto que a ordem dos acertos NO importa):

210
)! 6 10 !.( 6
! 10
C
6 , 10
=

= maneiras.

Para cada uma dessas 210 formas, temos uma probabilidade de acerto igual a
calculada anteriormente. Logo, a probabilidade de esse aluno acertar 6 testes
qualquer :

210 . (0,2)
6
. (0,8)
4
0,0055 ou 0,55%.

Vamos definir a varivel aleatria X que representa sucesso como sendo:

X: nmero de testes que o aluno acerta (sucesso).

Associada a X, temos a probabilidade de sucesso p=0,2 e, conseqentemente, a
probabilidade de fracasso q=10,2=0,8 (probabilidade de errar o teste).

Lembrando que
|
|

\
|
=
6
10
C
6 , 10
, podemos escrever que a probabilidade do aluno
acertar 6 testes :

P(X=6) =
|
|

\
|
6
10
. (0,2)
6
. (0,8)
4


Generalizando, se em cada uma das n repeties de Ensaios de Bernoulli a
probabilidade de ocorrer um evento definido como sucesso sempre p, a
probabilidade de que esse evento ocorra em apenas k das n repeties dada
por:

k n k
) p 1 .( p .
k
n
) k X ( P

|
|

\
|
= =




Resumindo: um experimento binomial deve satisfazer os seguintes critrios:

1) O experimento repetido n vezes, onde cada tentativa independente das
demais.
2) H apenas dois resultados possveis em cada tentativa: um de interesse,
associado varivel X, chamado de sucesso e o seu complementar que o
fracasso.

15
3) A probabilidade de sucesso ser denotada por p e a mesma em cada
tentativa (entenda Ensaio de Bernoulli). Logo, a probabilidade de fracasso ser
denotada por q = 1 p.

Observaes importantes: comum queles que esto iniciando os estudos da
distribuio Binomial acharem que a varivel definida como sucesso precisa ser
algo bom. Porm, isso no est correto. A varivel X, ou seja, o sucesso, dever
ser algo que nos interesse. Por exemplo, poderamos definir como sucesso:

alunos reprovados em determinado ano;
nmero de bitos em uma UTI;
nmero de fumantes presentes em uma reunio;
acertar um alvo num torneio de tiro;
entrevistados serem do sexo masculino;
sair cara no lanamento de uma moeda;
sair face 5 ou 6 no lanamento de um dado.

Ou seja, a varivel sucesso pode ser ou pode no ser algo bom! s vezes,
pode ser algo imparcial, como face de uma moeda ou dado, ou sexo de uma
pessoa.

Exemplo 2: para entender melhor a frmula, vamos recapitular o clculo de
probabilidades com base em um exemplo. Responda rapidamente a pergunta: um
casal deseja ter 4 filhos, 2 homens e 2 mulheres. Supondo que a probabilidade de
nascimento de um homem (H) ou uma mulher (M) seja a mesma, qual a
probabilidade de tal fato acontecer?

Muitas pessoas respondem 50%. Se voc foi uma delas, a pergunta seguinte
possivelmente ser por qu? No ???. A resposta no! O que mostra que
muitas vezes a intuio nos engana, enfatizando a importncia da probabilidade
(veja, por exemplo, o caso de um mdico obstetra ou um laboratrio que muitas
vezes precisa conhecer clculos de probabilidades como este).

Faremos, inicialmente, um mtodo mais trabalhoso, mas que certamente
convencer o leitor de que tal probabilidade no 50%. Depois, faremos o clculo
utilizando um modelo probabilstico.

Listemos todas as possibilidades de nascimentos:


HHHH
HHHM
HHMH
HMHH
MHHH
HHMM
HMHM
MHHM
HMMH
MHMH

16
MMHH
HMMM
MHMM
MMHM
MMMH
MMMM

Das 16 possibilidades listadas, note que em 6 delas ocorrem o nascimento de 2
homens e 2 mulheres. Logo, a probabilidade disso ocorrer :

37,5% ou 375 , 0
16
6
P = = .

Ou seja, a probabilidade inferior a 50%, mais precisamente, vale 37,5%, o que
contradiz a intuio da maioria das pessoas.

Uma outra forma de resolver esse mesmo problema utilizando a Binomial.

Agora, para resolvermos essa situao apresentada atravs da Binomial, vamos
determinar que nosso interesse seja o nmero de homens que nascem. Essa
ocorrncia ser chamada de sucesso. Assim:

X: nmero de homens que nascem (sucesso)

Logo, nascer mulher indicaria fracasso. No nenhum tipo de preconceito, mas
sim, uma questo Estatstica. Poderamos, sem problemas, ter trocado homem por
mulher e vice-versa.

A probabilidade de sucesso a probabilidade de em um nascimento qualquer
ocorrer um homem, ou seja,

5 , 0
2
1
p = = .

Temos interesse que, em 4 nascimentos, 2 sejam homens e 2 sejam mulheres.
Como chamamos de sucesso nascer homem, temos interesse no nascimento de 2
homens ou, em linguagem matemtica, X=2. Logo, o valor de k 2 (basta
comparar a frmula X=k com o que acabamos de escrever X=2).

Obtemos, portanto:

375 , 0
8
3
4
1
.
4
1
. 6
2
1
1 .
2
1
.
2
4
) 2 X ( P
2 4 2
= = = |

\
|
|

\
|
|
|

\
|
= =

,

que o mesmo valor obtido utilizando o mtodo anterior.

Cabe ressaltar que a frmula apresentada no tem carter mstico algum.
possvel fazer a sua deduo e, para isso, basta utilizarmos a lgica desenvolvida
no mtodo anterior. Vejamos:

17

Suponhamos 4 caixas numeradas, e que iremos colocar em cada uma delas um
carto que possui uma letra H ou um carto que possui uma letra M. Suponhamos
que temos um par de cartes mestre que sero utilizados na escolha de uma das
letras e que tenhamos uma outra pilha de cartes que sero colocados nas caixas.

Inicialmente, escolheremos duas delas para colocarmos um carto que possui a
letra H. O nmero de maneiras que podemos fazer tal escolha no depende da
ordem, ou seja, escolher a caixa 1 e 3 indiferente de escolher a 3 e 1, visto que
colocaremos cartas iguais dentro de cada uma delas. Utilizamos a combinao:








6
2
4
C
2 , 4
=
|
|

\
|
=

Logo, h 6 maneiras de se fazer tal escolha.

Fixemos uma das escolhas, como por exemplo, H nas caixas 1 e 3. Nas caixas 2 e
4 colocaremos cartas com a letra M. A probabilidade de tal fato ocorrer pode ser
expressa atravs do princpio multiplicativo. A probabilidade de ocorrer cada H
de 0,5 (pois sorteamos as letras a partir dos cartes-mestre) e de ocorrer M
tambm 0,5.

Assim, a probabilidade de sortearmos H na primeira vez, M na segunda, H na
terceira e M na quarta dada por

0,5.0,5.0,5.0,5 = (0,5)
4
= 0,0625.

Como tal fato (2 H e 2 M) pode ocorrer de 6 maneiras diferentes temos que a
probabilidade final fica

P = 6 . 0,0625 = 0,375.

Note que 0,5 = 1 0,5 = 1 p. O raciocnio aqui desenvolvido o mesmo que se
faz para deduzir a frmula da Distribuio Binomial.


Exemplo 3: uma urna tem 4 bolas vermelhas (V) e 6 brancas (B). Uma bola
extrada, observada sua cor e reposta na urna. O experimento repetido 5 vezes.
Qual a probabilidade de observarmos exatamente 3 vezes bola vermelha?

Inicialmente, vamos definir a varivel aleatria de interesse:

X: nmero de bolas vermelhas observadas (sucesso).
1 2 3 4
H H
M
H
Cartes mestre

18

Logo, a probabilidade de sucesso ser p=4/10=0,4. Utilizando a frmula
apresentada, em que n=5 (nmero de retiradas) e k=3 (nmero de bolas
vermelhas que temos interesse em observar), temos:

2304 , 0 6 , 0 . 4 , 0 .
3
5
) 4 , 0 1 .( 4 , 0 .
3
5
) 3 X ( P
2 3 3 5 3
=
|
|

\
|
=
|
|

\
|
= =

ou 23,04%.

Exemplo 4: numa cidade, 10% das pessoas possuem carro de marca A. Se 30
pessoas so selecionadas ao acaso, com reposio, qual a probabilidade de
exatamente 5 pessoas possurem carro de marca A?

Definindo X: nmero de pessoas que possuem o carro da marca A (sucesso),
temos associada uma probabilidade de sucesso p=0,10. Sendo n=30 e k=5,
temos:

1023 , 0 9 , 0 . 1 , 0 .
5
30
) 1 , 0 1 .( 1 , 0 .
5
30
) 5 X ( P
25 5 5 30 5

|
|

\
|
=
|
|

\
|
= =

ou 10,23%.


Exemplo 5: admitese que uma vlvula eletrnica, instalada em determinado
circuito, tenha probabilidade 0,3 de funcionar mais de 600 horas. Analisandose
10 vlvulas, qual ser a probabilidade de que, entre elas, pelo menos 3 continuem
funcionando aps 600 horas?

Seja X: nmero de vlvulas que permanecem funcionando aps 600 horas. Temos
que a probabilidade de sucesso p=0,3. Perceba que estamos realizando 10
Ensaios de Bernoulli (n=10). Logo, queremos calcular:

P(X3) = P(X=3) + P(X=4) + P(X=5) + ... + P(X=9) + P(X=10).

Note que teramos que calcular cada uma das probabilidades envolvidas nessa
soma utilizando a frmula apresentada, ou seja, teramos que aplicar a frmula 8
vezes para, em seguida, somar todos os resultados. Neste caso, vamos utilizar
uma propriedade, j vista, de eventos complementares:

P(X3) = 1 P(X<3) =

= 1 [ P(X=0) + P(X=1) + P(X=2)] =

=
(

|
|

\
|
+
|
|

\
|
+
|
|

\
|

2 10 2 1 10 1 0 10 0
) 3 , 0 1 .( 3 , 0 .
2
10
) 3 , 0 1 .( 3 , 0 .
1
10
) 3 , 0 1 .( 3 , 0 .
0
10
1 =
=
(

|
|

\
|
+
|
|

\
|
+
|
|

\
|

8 2 9 1 10 0
7 , 0 . 3 , 0 .
2
10
7 , 0 . 3 , 0 .
1
10
7 , 0 . 3 , 0 .
0
10
1 =
= 1 0,3828 = 0,6172 ou 61,72%.


19
Exemplo 6: em uma grande pesquisa com 6000 respondentes, determinouse
que 1500 dos entrevistados assistiam determinado programa de TV. Se 20
pessoas so escolhidas ao acaso, qual a probabilidade de que ao menos 19
assistam a esse programa?

Definindo a varivel aleatria que indica sucesso:

X: nmero de pessoas que assistem ao programa.

Perceba que a probabilidade de sucesso (p) pode ser calculada a partir do
enunciado:

25 , 0
6000
1500
p = = .

Logo, queremos calcular:

P(X19) = P(X=19) + P(X=20) =
=
0 20 1 19
75 , 0 . 25 , 0 .
20
20
75 , 0 . 25 , 0 .
19
20
|
|

\
|
+
|
|

\
|
=
5,5.10
11
, ou seja, a probabilidade de 19 ou 20 pessoas assistirem ao programa
muito pequena, quase zero, visto que vale 0,0000000055%.

Exemplo 7: vamos supor o lanamento de uma moeda honesta (ou seja,
P(cara)=P(coroa)=0,5). Suponhamos que voc faa uma aposta com um amigo
seu: ganha aquele que obtiver mais caras (no seu caso) ou coroas (no caso dele)
em 7 lanamentos.

A probabilidade de voc ganhar ocorre quando sarem 4 ou 5 ou 6 ou 7 caras.
Utilizando o modelo Binomial onde:

X: nmero de caras (sucesso)
n = 7 lanamentos
k = 4,5,6,7
p = 0,5

temos:

P(ganhar) = P(X=4) + P(X=5) + P(X=6) + P(X=7) =
5 , 0
2
1
. 1
2
1
. 7
2
1
. 21
2
1
. 35
2
1
1
2
1
7
7
2
1
1
2
1
6
7
2
1
1
2
1
5
7
2
1
1
2
1
4
7
7 7 7 7
7 7 7 6 7 6 5 7 5 4 7 4
= |

\
|
+ |

\
|
+ |

\
|
+ |

\
|
=
= |

\
|
|

\
|
|
|

\
|
+ |

\
|
|

\
|
|
|

\
|
+ |

\
|
|

\
|
|
|

\
|
+ |

\
|
|

\
|
|
|

\
|
=


Resultado interessante, no? Ou seja, ao invs de fazer essa aposta, poderiam ter
feito a tradicional aposta de cara x coroa.

Exemplo 8: Suponhamos a mesma situao do exemplo anterior, mas agora,
voc pega, sem seu amigo perceber, uma moeda viciada em que a probabilidade

20
de ocorrer uma cara de 0,75 ou
4
3
. Neste caso, p=0,75 e a probabilidade de
voc ganhar :

P(ganhar) = P(X=4) + P(X=5) + P(X=6) + P(X=7) =

9294 , 0
4
3
1
4
3
7
7
4
3
1
4
3
6
7
4
3
1
4
3
5
7
4
3
1
4
3
4
7
7 7 7 6 7 6 5 7 5 4 7 4
|

\
|
|

\
|
|
|

\
|
+ |

\
|
|

\
|
|
|

\
|
+ |

\
|
|

\
|
|
|

\
|
+ |

\
|
|

\
|
|
|

\
|
=


ou 92,94%.

Logo, muito provvel que voc ganhe a aposta usando essa moeda viciada.

Exemplo 9: Overbooking prtica realizada na aviao do mundo todo. Consiste
na empresa area vender mais bilhetes do que o disponvel no vo com base na
mdia de desistncia dos vos anteriores. Uma empresa area possui um avio
com capacidade para 100 lugares. Se para um certo vo essa empresa vendeu
103 passagens e, admitindo que a probabilidade de um passageiro no
comparecer para embarque de 1%, qual a probabilidade de algum passageiro
no conseguir embarcar?

Este um problema clssico resolvido utilizando a Binomial. Aqui, muito comum
haver uma certa confuso na elaborao do que o sucesso bem como do que se
deseja calcular. Assim, vamos definir:

X: nmero de passageiros que comparecem ao embarque (sucesso).

Neste caso, p=0,99. Temos, ainda, que n=103, visto que cada um dos 103
passageiros pode comparecer ao embarque (sucesso) ou no comparecer
(fracasso). Queremos calcular a probabilidade de que algum passageiro no
consiga embarcar, ou seja, de que compaream ao embarque mais de 100
passageiros:

P(X>100) = P(X=101) + P(X=102) + P(X=103) =
=
0 103 1 102 2 101
01 , 0 . 99 , 0 .
103
103
01 , 0 . 99 , 0 .
102
103
01 , 0 . 99 , 0 .
101
103
|
|

\
|
+
|
|

\
|
+
|
|

\
|
=
=
0 103 1 102 2 101
01 , 0 . 99 , 0 . 1 01 , 0 . 99 , 0 . 103 01 , 0 . 99 , 0 . 5253 + + =
= 0,9150 ou 91,50%.

Espantoso? Pois , a probabilidade de haver problemas devido ao excesso de
passageiros para esse vo bastante elevada e igual a 91,5%.


2.2.1. Mdia ou Valor Esperado de uma distribuio Binomial

Seja uma varivel X com distribuio Binomial de parmetros n (nmero de
ensaios de Bernoulli) e p (probabilidade de sucesso). A mdia ou valor
esperado de X dado por:

21

p . n ) X ( E = =


2.2.2. Varincia e Desvio Padro de uma distribuio Binomial

Nas mesmas suposies da mdia, temos:

Varincia:
q . p . n ) X ( Var
2
= = ou ) p 1 .( p . n ) X ( Var
2
= =


Desvio padro:
q . p . n ) X ( DP = = ou ) p 1 .( p . n ) X ( DP = =

Exemplo 10: consideremos o exemplo anterior que trata sobre o Overbooking.
Determine a mdia, varincia e desvio padro para a varivel X definida
anteriormente. Interprete os resultados.

Lembrando que:
n=103
p=0,99
q=10,99=0,01

Ento:

E(X) = 103 . 0,99 = 101,97
Var(X) = 103 . 0,99 . 0,01 = 1,0197
DP(X) = 0197 , 1 =1,0098

Logo, em mdia comparecem ao embarque aproximadamente 102 (101,97)
passageiros com um desvio padro de 1 passageiro.

2.2.3. Exerccios

1) Uma moeda lanada 6 vezes. Qual a probabilidade de observarmos
exatamente duas caras?

2) Um dado lanado 5 vezes. Qual a probabilidade de que o 4 aparea
exatamente 3 vezes?

3) Uma pessoa tem probabilidade 0,2 de acertar num alvo toda vez que atira.
Supondo que as vezes que ela atira so ensaios independentes, qual a
probabilidade de ela acertar no alvo exatamente 4 vezes, se ela d 8 tiros?

4) A probabilidade de que um homem de 45 anos sobreviva mais 20 anos 0,6.
De um grupo de 5 homens com 45 anos, qual a probabilidade de que exatamente
4 cheguem aos 65 anos?

22

5) Uma moeda lanada 6 vezes. Qual a probabilidade de observarmos ao
menos uma cara?

6) Um time de futebol tem probabilidade p = 0,6 de vencer todas as vezes que
joga. Se disputar 5 partidas, qual a probabilidade de que vena ao menos uma?

7) Uma prova consta de 5 testes com 4 alternativas casa um, sendo apenas uma
delas correta. Um aluno que nada sabe a respeito da matria da prova, chuta
uma resposta para cada teste. Qual a probabilidade desse aluno:
a) acertar os 5 testes?
b) acertar apenas 4 testes?
c) acertar apenas 3 testes?
d) acertar apenas 2 testes?
e) acertar apenas 1 teste?
f) errar todos os testes propostos?
g) qual o resultado mais provvel obtido pelo aluno?

8) Foi realizada uma pesquisa com 500 pessoas para verificar se assistiam
determinado programa de televiso. Duzentas pessoas afirmaram assistir. Se, a
partir da populao, retirarmos 8 indivduos, qual a probabilidade de que no
mximo 6 assistam o programa?

9) Um aluno tem o domnio de 70% do contedo que ser cobrado em uma prova.
Sabendose que essa prova composta por 10 questes, qual a probabilidade de
ele acertar, ao menos, 7 questes para ser aprovado?

10) Em uma UTI, em mdia 5% dos bebs que nascem prematuros no
sobrevivem. Se, atualmente, h 40 bebs prematuros, qual a probabilidade de que
no mximo 5% dos bebs no sobrevivam?

11) Em 320 famlias com quatro crianas cada uma, quantas famlias seria
esperado que tivessem:
a) nenhuma menina?
b) trs meninos?
c) quatro meninos?

12) Um time X tem
3
2
de probabilidade de vitria sempre que joga. Se X jogar
cinco partidas, calcule a probabilidade de:
a) X vencer exatamente trs partidas;
b) X vencer ao menos uma partida;
c) X vencer mais da metade das partidas.

13) A probabilidade de um atirador acertar o alvo
3
1
. Se ele atirar seis vezes,
qual a probabilidade de:
a) acertar exatamente dois tiros?
b) no acertar o alvo?


23
14) Se 5% das lmpadas de certa marca so defeituosas, ache a probabilidade de
que, numa amostra de 100 lmpadas, escolhidas ao acaso, tenhamos:
a) nenhuma defeituosa;
b) trs defeituosas;
c) mais do que uma boa.

15) Em determinada cidade, 56% dos dias so nublados. Encontre a mdia, a
varincia e o desvio padro para o nmero de dias nublados durante o ms de
junho.

16) Calcule a mdia, a varincia e o desvio padro da distribuio binomial cujos
parmetros so:
a) n=80 e p=0,3;
b) n=124 e p=0,26.




Respostas
1) 0,2344
2) 0,03215
3) 0,4588
4) 0,2592
5) 0,98439
6) 0,9898
7) a) 1/1024 b) 15/1024 c) 90/1024 d) 270/1024 e) 405/1024 f) 243/1024
g) O resultado mais provvel que o aluno acerte apenas 1 teste.
8) 0,9915
9) 0,6496
10) 0,6767
11) a) 20 b) 80 c) 20
12) a) 80/243 b) 242/243 c) 64/81
13) a) 80/243 b) 64/729
14) a) (0,95)
100

b)
|
|

\
|
3
100
(0,05)
3
.(0,95)
97
c) 1(0,05)
100
100.(0,95).(0,05)
99

15) E(X)=16,8 Var(X)=7,4 DP(X)=2,7
16) a) E(X) = 24 Var(X)=16,8 DP(X)=4,1 b) E(X) = 32,2 Var(X)=23,9 DP(X)=4,9


24
2.3. Distribuio Geomtrica

Muitas situaes reais podem ser repetidas at atingirse o sucesso. Um
candidato pode prestar uma prova de vestibular at ser aprovado, ou voc pode
digitar um nmero de telefone vrias vezes at conseguir completar a ligao.
Situaes como essas podem ser representadas por uma distribuio Geomtrica.

Uma distribuio pode ser considerada Geomtrica se satisfizer as seguintes
condies:
1) Uma tentativa (correspondente a um Ensaio de Bernoulli) repetida at que o
sucesso ocorra, ou seja, ocorrem k1 fracassos at que ocorra o primeiro sucesso
na ksima tentativa.
2) As tentativas so independentes umas das outras.
3) A probabilidade de sucesso p constante em todos os Ensaios de Bernoulli.

Logo, a probabilidade de que ocorra sucesso na tentativa k :

P(X=k) = p.(1p)
k1

com k=1,2,3,4...

Ou seja, ocorrem k1 fracassos com probabilidade 1p at que ocorra um
sucesso na tentativa k com probabilidade p.


Exemplo 1: uma linha de produo est sendo analisada para efeito de controle
da qualidade das peas produzidas. Tendo em vista o alto padro requerido, a
produo interrompida para regulagem toda vez que uma pea defeituosa
observada. Se 0,01 a probabilidade da pea ser defeituosa, determine a
probabilidade de ocorrer uma pea defeituosa na 1 pea produzida, na 2, na 5,
na 10, na 20 e na 40.

Vamos admitir que cada pea tem a mesma probabilidade de ser defeituosa,
independentemente da qualidade das demais. Sendo a ocorrncia de pea
defeituosa um sucesso, podemos aplicar o modelo Geomtrico. Definindo a
varivel aleatria com distribuio geomtrica X: nmero total de peas
observadas at que ocorra a primeira defeituosa, podemos escrever nosso
modelo:

P(X=k) = 0,01 . 0,99
k1


Assim, podemos aplicar nosso modelo para calcular as probabilidades pedidas:

P(X=1) = 0,01 . 0,99
0
= 0,01
P(X=2) = 0,01 . 0,99
1
= 0,0099
P(X=5) = 0,01 . 0,99
4
= 0,0096
P(X=10) = 0,01 . 0,99
9
= 0,0091
P(X=20) = 0,01 . 0,99
19
= 0,0083
P(X=40) = 0,01 . 0,99
39
= 0,0068


25
Exemplo 2: por experincia, voc sabe que a probabilidade de que voc far uma
venda em qualquer telefone dado 0,23. Encontre a probabilidade de que sua
primeira venda ocorra na quarta ou na quinta ligao.

X: nmero da primeira ligao em que ocorre a venda (sucesso).

P(X=4) = 0,23 . 0,77
3
0,105003
P(X=5) = 0,23 . 0,77
4
0,080852

Logo, a probabilidade desejada :

P(venda na 4 ou 5 ligao) = P(X=4) + P(X=5) = 0,105003 + 0,080852 0,186.

Embora um sucesso possa, teoricamente, nunca ocorrer, a distribuio geomtrica
uma distribuio de probabilidade discreta porque os valores de x podem ser
listados 1,2,3.... Perceba que conforme x se torna maior, P(X=x) se aproxima de
zero. Por exemplo:

P(X=50) = 0,23 . 0,77
49
0,0000006306.


2.3.1. Esperana (ou mdia) da Distribuio Geomtrica

Seja X uma varivel aleatria com distribuio geomtrica de parmetro p
(probabilidade de sucesso). A mdia ou esperana de X dada por:

p
1
) X ( E = =


2.3.2. Varincia da Distribuio Geomtrica

Nas mesmas condies que as apresentadas para a mdia, temos que a varincia
dada por

2
2
p
p 1
) X ( Var

= =


Observao: o desvio padro calculado como sendo a raiz quadrada da
varincia, assim como j estudamos anteriormente.

2.3.3. Exerccios

1) Considere uma varivel aleatria X com distribuio Geomtrica com parmetro
p=0,4. Calcule:
a) P(X = 4).
b) P(3 X < 5).
c) P(X 2).

26

2) Uma moeda equilibrada lanada sucessivamente, de modo independente, at
que ocorra a primeira cara. Seja X a varivel aleatria que conta o nmero de
lanamentos anteriores ocorrncia de cara. Determine:
a) P(X 2).
b) P(X > 1).
c) P(3 < X 5).

3) Suponha que a probabilidade de que voc faa uma venda durante qualquer
um dos telefonemas feitos 0,19. Encontre a probabilidade de que voc:
a) faa sua primeira venda durante a quinta ligao;
b) faa sua primeira venda durante a primeira, segunda ou terceira ligao;
c) no faa uma venda durante as trs primeiras ligaes.

4) Um produtor de vidro descobre que 1 em cada 500 itens de vidro est torcido.
Encontre a probabilidade de:
a) o primeiro item de vidro torcido ser o dcimo item produzido;
b) o primeiro item de vidro torcido ser o segundo ou terceiro item produzido;
c) nenhum dos dez primeiros itens de vidro estar imperfeito.




Respostas
1) a) 0,0864 b) 0,2304 c) 0,6000
2) a) 0,875 b) 0,250 c) 0,047
3) a) 0,082 b) 0,469 c) 0,531
4) a) 0,002 b) 0,004 c) 0,980


27
2.4. Distribuio de Poisson

A distribuio de Poisson (falase: Poassom) uma distribuio de
probabilidade discreta de uma varivel aleatria X que satisfaz s seguintes
condies:

1) O experimento consiste em calcular o nmero de vezes, k, que um evento
ocorre em um dado intervalo. O intervalo pode ser de tempo, rea, volume, etc.
2) A probabilidade de o evento acontecer a mesmas para cada intervalo.
3) O nmero de ocorrncias em um intervalo independente do nmero de
ocorrncias em outro intervalo.

A distribuio de Poisson possui um parmetro (leiase: lmbda) que
chamamos de taxa de ocorrncia, que corresponde freqncia mdia ou
esperada de ocorrncias em um determinado intervalo. Alm disso, sempre temos
que >0.

A probabilidade calculada da seguinte forma:

! k
. e
) k X ( P
k

= =



onde:
k=0,1,2,3,...
e o nmero irracional que vale aproximadamente 2,71828;
a taxa de ocorrncia (que igual mdia da distribuio).

2.4.1. Esperana e Varincia da distribuio de Poisson

Sendo X uma varivel que segue o modelo Poisson com parmetro , temos que:

Mdia ou esperana: E(X) = .

Varincia: Var(X) = .

Desvio padro: DP(X) = .

Importante: a Poisson, assim como a Geomtrica, uma distribuio que pode
assumir infinitos valores. Dessa forma, k assume valores em todo o conjunto dos
nmeros naturais.

Exemplo 1: a emisso de partculas radioativas tem sido modelada atravs de
uma distribuio de Poisson, com o valor do parmetro dependendo da fonte
utilizada. Suponha que o nmero de partculas alfa, emitidas por minuto, seja uma
varivel aleatria seguindo o modelo Poisson com parmetro 5, isto , a taxa
mdia de ocorrncias de 5 emisses a cada minuto. Calcular a probabilidade de
haver mais de 2 emisses em um minuto.


28
Resoluo

Pelo enunciado, temos que
X: nmero de emisses em um minuto;
= 5 emisses/minuto

Neste caso, queremos calcular P(X > 2), que uma soma infinita de valores, pois
podemos ter X=3,4,5,6,7,8,... Assim, devemos, obrigatoriamente, trabalhar com o
complementar:

P(X > 2) = 1 P(X 2) = 1 [ P(X=0) + P(X=1) + P(X=2) ] =
=
(

+ +

! 2
5 . e
! 1
5 . e
! 0
5 . e
1
2 5 1 5 0 5
= 0,875.

Logo, h uma probabilidade de 87,5% de haver mais que 2 emisses ao longo de
um minuto.

Exemplo 2: voc o gerente de uma loja e sabe que, fora do horrio de pico,
entram, em mdia, 6 clientes a cada 10 minutos. Qual a probabilidade de
entrarem:
a) 6 clientes na loja em um perodo qualquer de 10 minutos fora do horrio de
pico?
b) at 2 clientes num perodo de 10 minutos fora do horrio de pico?
c) entrarem 3 clientes ou mais fora do horrio de pico?

Resoluo

Inicialmente, percebemos que se trata de uma varivel com distribuio de
Poisson:
X: nmero de clientes que entram num perodo de 10 minutos;
=6 clientes a cada 10 minutos

a) P(X=6) =
! 6
6 . e
6 6
= 0,1606.

b) = + + = = + = + = =

! 2
6 . e
! 1
6 . e
! 0
6 . e
) 2 X ( P ) 1 X ( P ) 0 X ( P ) 2 X ( P
2 6 1 6 0 6

0620 , 0 25 . e
! 2
6
! 1
6
! 0
6
. e
6
2 1 0
6
= =
|
|

\
|
+ + =


Perceba que o clculo ficou bastante simplificado quando colocamos o termo e
6

em evidncia (fator comum).

c) Vamos utilizar o resultado do item anterior na resoluo:
9380 , 0 0620 , 0 1 ) 2 X ( P 1 ) 3 X ( P 1 ) 3 X ( P = = = < = .

Note que P(X<3) = P(X=0) + P(X=1) + P(X=2) que exatamente igual a P(X2).


29
Exemplo 3: no pedgio da rodovia dos Imigrantes passam, em mdia, 3600
carros por hora em vsperas de feriado. Qual a probabilidade de:

a) passarem dois carros em um segundo?
b) passarem 30 carros em 15 segundos?
c) passarem at 5 carros em 10 segundos?

Resoluo

Pelo enunciado, temos que =3600 carros/hora. Porm, se voc observar as
perguntas, poder perceber que as unidades no correspondem a 1 hora. Assim,
devemos recalcular o valor do nosso parmetro a cada item, de modo a
trabalharmos sempre na mesma unidade. Esse clculo pode ser direto ou atravs
de uma regra de trs simples.

a) X: nmero de carros que passam no pedgio por segundo.
Nosso parmetro ser recalculado. Lembrando que 1 hora possui 3600 segundos,
temos: 1
3600
3600
= = carro por segundo. Agora, podemos calcular a probabilidade
desejada:

1839 , 0
! 2
1 . e
) 2 X ( P
2 1
= = =

.

b) X: nmero de carros que passam no pedgio a cada 15 segundos.
Vamos trabalhar, agora, com uma regra de trs:

3600 carros 3600 segundos (1h)
- 15 segundos

= 15 carros a cada 15 segundos. Assim:

00022 , 0
! 30
15 . e
) 30 X ( P
30 15
= = =

.

c) X: nmero de carros que passam no pedgio a cada 10 segundos.
Da mesma forma que no item anterior, temos que = 10 carros a cada 10
segundos. Portanto:

= = + + = + = = ) 5 X ( P ... ) 1 X ( P ) 0 X ( P ) 5 X ( P
0671 , 0 6667 , 1477 . e
! 5
10
! 4
10
! 3
10
! 2
10
! 1
10
! 0
10
. e
! 5
10 . e
! 4
10 . e
! 3
10 . e
! 2
10 . e
! 1
10 . e
! 0
10 . e
10
5 4 3 2 1 0
10
5 10 4 10 3 10 2 10 1 10 0 10
= =
|
|

\
|
+ + + + + =
= + + + + + =




Ou seja, h uma probabilidade de 6,71% de passarem 5 carros ou menos ao
longo de 10 segundos.


30
Exemplo 4: suponha que 360 erros de impresso estejam distribudos
aleatoriamente, segundo uma Poisson, em um livro de 180 pginas. Calcule a
probabilidade de encontrar uma pgina com:
a) nenhum erro;
b) mais de um erro.

Resoluo

Sendo X: nmero de erros encontrados em 1 pgina, devemos calcular o valor do
nosso parmetro:

2
180
360
= = erros / pgina.

a) 1353 , 0
! 0
2 . e
) 0 X ( P
0 2
= = =

.
b) [ ] 5940 , 0
! 1
2 . e
! 0
2 . e
1 ) 1 X ( P ) 0 X ( P 1 ) 1 X ( P 1 ) 1 X ( P
1 2 0 2
=
(

+ = = + = = = >

.

Exemplo 5: experincias passadas indicam que o nmero de ligaes recebidas,
no perodo noturno, em uma central telefnica segue uma distribuio de Poisson.
As probabilidades de receber um certo nmero de chamadas por hora esto
apresentadas na tabela a seguir:

Nchamadas Probabilidade
0 0,0111
1 0,0500
2 0,1125
3 0,1687
4 0,1898
5 0,1708

Calcule a probabilidade de que essa central receba 3 ou mais chamadas ao longo
de uma hora.

Resoluo

Cuidado! Perceba que queremos calcular P(X3) = P(X=3) + P(X=4) + P(X=5) + ...
que uma soma infinita. Muitas vezes, essa tabela nos leva a um erro na hora do
clculo caso voc no se lembre que a Poisson vlida para infinitos valores, no
caso, do nmero de chamadas. Devemos, portanto, trabalhar com o
complementar:

P(X3) = 1P(X<3) = 1- [P(X=0) + P(X=1) + P(X=2)] =
= 1 [0,0111 + 0,0500 + 0,1125] = 0,8264 ou 82,64%.




31
2.4.2. Exerccios

1) A aplicao de fundo anticorrosivo em chapas de ao de 1 m
2
feita
mecanicamente e pode produzir defeitos (pequenas bolhas na pintura), de acordo
com uma varivel aleatria Poisson de parmetro = 1 defeitos por m
2
. Uma
chapa sorteada ao acaso para ser inspecionada. Qual a probabilidade de:
a) encontrarmos pelo menos 1 defeito?
b) no mximo 2 defeitos serem encontrados?
c) encontrar entre 2 e 4 defeitos?
d) no mais de 1 defeito ser encontrado?

2) Uma indstria de tintas recebe pedidos de seus vendedores atravs de fax,
telefone e Internet. O nmero de pedidos que chegam por qualquer meio, durante
o horrio comercial, uma varivel aleatria discreta com distribuio Poisson
com taxa de 5 pedidos por hora.
a) Calcule a probabilidade de haver mais de 2 pedidos por hora.
b) Em um dia de trabalho (8 horas), qual seria a probabilidade de haver 50
pedidos?
c) Qual a probabilidade de no haver nenhum pedido em um dia de trabalho?
Voc diria que isso um evento raro?

3) O pessoal de inspeo de qualidade afirma que os orlos de fita isolante
apresentam, em mdia, uma emenda a cada 50 metros. Admitindo que a
distribuio do nmero de emendas dada pela Poisson, calcule a probabilidade
de encontrar:
a) nenhuma emenda em um rolo de 125 metros;
b) no mximo duas emendas em um rolo de 125 metros.
c) pelo menos uma emenda num rolo de 100 metros.

4) Certo posto de bombeiros recebe em mdia 3 chamadas por dia. Calcule a
probabilidade de receber, em um dia:
a) 4 chamadas;
b) 3 ou mais chamadas.

5) A mdia de chamadas telefnicas numa hora igual a 3. Qual a probabilidade
de:
a) receber exatamente 3 chamadas em uma hora?
b) receber 4 ou mais chamadas em 90 minutos?

6) Na pintura de paredes, aparecem defeitos em mdia na proporo de um
defeito por metro quadrado. Qual a probabilidade de aparecerem 3 defeitos numa
parede de 2 x 2m?

7) Suponha que haja em mdia dois suicdios por ano numa populao de 50000
habitantes distribudos segundo uma Poisson. Em certa cidade com 100 000
habitantes, qual a probabilidade de que o nmero de suicdios em determinado
ano seja:
a) igual a 0?
b) igual a 1?
c) igual a 2?

32
d) igual a 2 ou mais?

8) Suponha que ocorram 400 erros de impresso distribudos aleatoriamente em
um livro de 500 pginas. Encontre a probabilidade de que uma dada pgina
contenha:
a) nenhum erro;
b) exatamente dois erros.

9) Certa loja recebe, em mdia, 5 clientes por hora, segundo o modelo Poisson.
Qual a probabilidade de:
a) receber dois clientes em 24 minutos?
b) receber pelo menos trs clientes em 18 minutos?

10) A mdia de chamadas telefnicas em uma hora trs, segundo o modelo
Poisson. Qual a probabilidade de receber:
a) trs chamadas em 20 minutos?
b) no mximo duas chamadas em meia hora?

11) Em uma estrada passam, em mdia, 1,7 carros por minuto. Qual a
probabilidade de passarem exatamente dois carros em dois minutos? Admita
vlido o modelo Poisson.

12) Uma fbrica produz tecidos com 2,2 defeitos, em mdia, por pea, segundo o
modelo Poisson. Determine a probabilidade de haver ao menos dois defeitos em
duas peas.






Respostas
1) a) 0,632 b) 0,920 c) 0,261 d) 0,736
2) a) 0,875 b) 0,018 c) Sim, pois a probabilidade de e
40
.
3) a) 0,0821 b) 0,5440 c) 0,8647
4) a) 0,1680 b) 0,5767
5) a) 0,2241 b) 0,6580
6) 0,1954
7) a) 0,0183 b) 0,0732 c) 0,1464 d) 0,9085
8) a) 0,449 b) 0,1438
9) a) 0,2707 b) 0,1912
10) a) 0,0613 b) 0,8088
11) 0,1929
12) 0,9337



33
3. Modelos Contnuos de Distribuies de Probabilidades

Como j vimos, uma varivel aleatria pode ser discreta ou contnua. Quando a
varivel contnua, ou seja, assume valores em intervalos da reta dos nmeros
reais, a distribuio de freqncia de uma amostra de observaes pode ser
representada atravs de um histograma.

Agora, porm, queremos analisar a populao de onde foi retirada essa amostra.
Como no temos acesso ao histograma de freqncias relativo populao, no
conseguimos determinar, diretamente, o clculo de qualquer probabilidade. Para o
clculo exato, necessitamos de um modelo para a distribuio de freqncias da
populao. Estudaremos, aqui, dois dos principais modelos contnuos: a Normal e
a Exponencial.

Os modelos que sero analisado representam comportamentos de uma extensa
srie de variveis do mundo dos negcios e tambm distribuies tericas de
probabilidades que so fundamentais para os mtodos de inferncia estatstica.
Tais modelos so expressos por funes matemticas denominadas funes
densidade de probabilidade.

A rea sob a curva que expressa a funo densidade de probabilidade igual a
1 (total das probabilidades), sendo que a probabilidade de uma particular
observao pertencer a um intervalo dado pela rea sob a curva,
correspondente ao intervalo, conforme podemos observar na figura seguinte:




3.1. Distribuio Uniforme

A Distribuio Uniforme Contnua uma das distribuies contnuas mais simples
de toda a Estatstica. Ela se caracteriza por ter uma funo densidade contnua
em um intervalo fechado [a,b]. Ou seja, a probabilidade de ocorrncia de um certo
valor sempre o mesmo. Embora as aplicaes desta distribuio no sejam to
abundantes quanto as demais distribuies que discutiremos mais adiante,
utilizaremos a Distribuio Uniforme para introduzirmos as funes contnuas e
darmos uma noo de como se utiliza a funo densidade para determinarmos
probabilidades, esperanas e varincias.


34
3.1.1. Funo densidade de probabilidade

A varivel aleatria X tem distribuio Uniforme no intervalo [a,b] se sua
densidade de probabilidade for dada por:

=
contrrio. caso 0,
b; x a ,
a b
1
) x ( f


Usaremos a notao X ~ U[a,b] para indicar que X segue o modelo Uniforme
Contnuo no intervalo considerado.

Graficamente:




















Note que a rea compreendida entre a funo densidade e o eixo :

rea = base x altura = (ba) .
a b
1

= 1.

Ou seja, de modo simples, podemos dizer que REA = PROBABILIDADE.

3.1.2. Esperana

J vimos que a esperana para variveis discretas calculada atravs da frmula

= =
i
i i
) x X ( P . x ) X ( E . Quando trabalhamos com variveis contnuas, utilizamos a
funo densidade. Alm disso, no podemos trabalhar com o somatrio visto que
se trata de uma funo contnua, ou seja, se trata do clculo de uma rea. Logo,
utilizaremos integral.
f(x)
x
a
b
a b
1

35
Vamos deduzir a frmula da esperana da distribuio Uniforme contnua:

2
b a
) a b ( 2
a b
2
x
.
a b
1
dx
a b
1
. x dx ) x ( f . x ) X ( E
2 2
b
a
2 b
a
b
a
+
=

= = =

.

Logo,

2
b a
) X ( E
+
= .

3.1.3. Varincia

Assim como j vimos, a varincia de uma varivel aleatria obtida atravs da
expresso:

2 2 2 2 2
) X ( E ) X ( E ) X ( E ) X ( Var = = = .

J calculamos o valor de E(X). Vamos calcular, agora, E(X
2
):


3
a ab b
) a b ( 3
a b
3
x
.
a b
1
dx
a b
1
. x dx ) x ( f . x ) X ( E
2 2 3 3
b
a
3 b
a
2
b
a
2 2
+ +
=

= =

.

Agora, podemos obter a varincia:

( ) ( )
( )
12
a b
2
b a
3
a ab b
X E X E ) X ( Var
2 2
2 2
2 2 2

= |

\
| +

+ +
= = = .

Logo,

( )
12
a b
) X ( Var
2

= .

Exemplo: com o objetivo de verificar a resistncia presso de gua, os tcnicos
de qualidade de uma empresa inspecionam os tubos de PVC produzidos. Os
tubos inspecionados tem 6 metros de comprimento e so submetidos a grandes
presses at o aparecimento do primeiro vazamento, cuja distncia a uma das
extermidades (fixada priori) anotada para fins de anlise posterior. Escolhe-se
um tubo ao acaso para ser inspecionado. Denote por X a varivel aleatria que
indica a distncia correspondente ao vazamento. Assuma que X tem uma
distribuio Uniforme Contnua.

a) Determine a funo densidade de probabilidade.
b) Construa o grfico da funo densidade.
c) Utilizando apenas a funo, determine a probabilidade de que o vazamento
esteja, no mximo, a 1 metro das extremidades.

36
d) Utilizando apenas o grfico construdo no item b, determine a probabilidade de
que o vazamento esteja, no mximo, a 1 metro das extremidades.

Resoluo

a) Temos, a partir do enunciado, que X ~ U[0,6]. Logo:

=
contrrio. caso 0,
6; x 0 ,
6
1
) x ( f


b)



















c) Utilizando a funo densidade:

3
1
6
5
6
6
0
6
1
6
x
6
x
dx
6
1
dx
6
1
) 6 X 5 ( P ) 1 X 0 ( P
6
5
1
0
6
5
1
0
= + = + = + = +

.

Portanto, a probabilidade desejada vale
3
1
.


d) usando apenas o grfico construdo, basta lembrarmos que probabilidade
equivalente a rea sob o grfico da funo densidade:





f(x)
x
0
6
6
1


37



















A rea hachurada igual a probabilidade procurada:

3
1
6
1
. 1
6
1
. 1 ) 6 X 5 ( P ) 1 X 0 ( P = + = + ,

que igual ao resultado obtido no clculo do item c.


3.1.4. Exerccios

1) Sendo X ~ U[0,4], calcule:
a) P(X > 2).
b) P(X 2).
c) P(1 < X < 2).

2) Admite-se que uma pane pode ocorrer em qualquer ponto de uma rede eltrica
de 10 km.
a) Qual a probabilidade de a pane ocorrer nos primeiros 500 metros? E de
ocorrer nos 3 km centrais da rede?
b) O custo de reparo da rede depende da distncia do centro de servio ao local
da pane. Considere que o centro de servio est na origem da rede e que o custo
de R$ 200 para distncias at 3 km, de R$ 400 entre 3 e 8 km e de R$ 1000
para as distncias acima de 8 km. Qual o custo mdio do conserto?

3) O tempo necessrio para um medicamento contra dor fazer efeito foi modelado
de acordo com a densidade Uniforme no intervalo de 5 a 15 minutos tendo por
base experimentos conduzidos em animais. Um paciente, que esteja sofrendo dor,
recebe o remdio e, supondo vlido o modelo mencionado, qual a probabilidade
da dor:
a) cessar em at 10 minutos?
b) demorar pelo menos 12 minutos at cessar?
f(x)
x
0 6
6
1

1 5

38

4) Suponha que o valor esperado de uma varivel aleatria com distribuio
Uniforme contnua 1 e a varincia igual a 1/12. Encontre a probabilidade da
varivel assumir valores menores que 3/4.



Respostas
1) a) b) c)
2) X ~ U[0,10] a) 1/20 e 3/10 b) 460
3) X ~U[5,15] a) b) 3/10
4) Resolva um sistema com os valores da mdia e da varincia para determinar quanto valem os
parmetros a e b. P(X < ) = .




39

3.2. Distribuio Exponencial

H uma estreita relao entre a distribuio Exponencial e a distribuio de
Poisson. O modelo de distribuio de probabilidade que descreve o tempo, ou
espao, entre dois sucessos consecutivos de uma varivel de Poisson a
distribuio exponencial. Assim, por exemplo, o tempo entre falhas de
equipamentos, o tempo entre chegadas de clientes a um shopping, a rea entre
dois defeitos consecutivos de uma pea de tecido, etc., so descritos pela
distribuio Exponencial.

Uma varivel aleatria contnua X, que assuma todos os valores reais no
negativos, ter uma distribuio Exponencial com parmetro >0 se a sua funo
densidade de probabilidade for dada por:

=

contrrio. caso , 0
0; t se , e .
) x ( f
x .



3.2.1. Mdia e Varincia da Distribuio Exponencial

Se uma varivel X possui distribuio Exponencial com parmetro , ento:

Mdia ou Esperana:

=
1
) X ( E .

Varincia:
2
1
) X ( Var

= .

Conseqentemente:

Desvio padro:

=
1
) X ( DP .

3.2.2. Clculo de Probabilidades

Lembrando que a probabilidade a rea compreendida entre o eixo x e a curva do
grfico da funo densidade de probabilidade, podemos calcular as probabilidades
da distribuio Exponencial utilizando a funo densidade juntamente com uma
integral definida.

Porm, podemos, tambm, utilizar as seguintes frmulas para o clculo:

t .
e ) t X ( P

= > .

Logo:


40
t .
e 1 ) t X ( P

= .


Fazendo um esboo grfico temos:




Exemplo 1: suponha que, em determinado perodo do dia, o tempo mdio de
atendimento em um caixa de banco seja de 5 minutos. Admitindo que o tempo
para atendimento tenha distribuio exponencial, determinar a probabilidade de
um cliente:
a) esperar mais do que 5 minutos;
b) esperar menos do que 4 minutos;
c) esperar entre 3 e 8 minutos.

Resoluo

Seja a varivel aleatria X: tempo de atendimento. Foi dado que o tempo mdio
de atendimento de 5 minutos. Vimos que a mdia, ou esperana, de uma
varivel com distribuio exponencial

=
1
) X ( E . Logo: 2 , 0
5
1
5
1
= = =

, que
o parmetro da distribuio.

a) Vimos que:
t .
e ) t X ( P

= > . Ento:
P(X>5) = e
-0,2.5
= 0,3679 ou 36,79%.

b) Vimos que
t .
e ) t X ( P

= > . Logo:
5507 , 0 e 1 ) 4 X ( P
4 . 2 , 0
= =

ou 55,07%.

c) Graficamente, esperar entre 3 e 8 minutos corresponde regio hachurada:


41


Essa rea (probabilidade) pode ser calculada da seguinte forma:

P(3 < X < 8) = P(X > 3) P(X > 8) = e
0,2.3
e
0,2.8
= 0,5488 0,2019 = 0,3469.

3.2.3. Distribuio Exponencial aplicada Teoria da Confiabilidade

Na teoria da confiabilidade de componentes, ou sistemas, calculam-se as
probabilidades de que o componente, ou sistema, no venha a falhar durante um
intervalo [O, t
0
], ou seja: a probabilidade de que o componente ainda esteja
funcionando na poca t
0
. Uma das mais importantes leis de falhas aquela cuja
durao at falhar descrita pela distribuio exponencial. Admite-se que a taxa
de falhas constante, isto , depois que a pea (equipamento, sistema etc.) esteja
em uso, sua probabilidade de falha no se altera. Logo, no se considera o efeito
do desgaste quando o modelo exponencial admitido. Por exemplo,
considerando-se uma taxa de falhas constante, o funcionamento de um rolamento,
a qualquer momento, to bom quanto novo, e nestes casos o modelo de
distribuio de tempo at falhar exponencial.

Exemplo 2: Suponha que a durao da vida de um dispositivo eletrnico seja
exponencialmente distribuda com tempo mdio entre falhas de 100 horas.
a) Qual a probabilidade de o dispositivo no falhar em 150 horas de uso?
b) Qual o nmero de horas para se ter confiabilidade de 90% (isto , 90% de
probabilidade de no falhar)?

Resoluo

Como

=
1
) X ( E , ento 01 , 0
100
1 1
100 = =

= .

a) P(X>150) = e
0,01.150
= 0,2231 ou 22,31%.

b) Queremos encontrar um valor t de modo que:

P(X > t) = 0,90
e
0,01.t
= 0,90

Aplicando logaritmo nos dois lados da igualdade temos:

42

ln e
0,01.t
= ln 0,90
0,01.t = ln 0,90
01 , 0
90 , 0 ln
t =
t = 10,54 horas.

Ou seja, h 90% de confiabilidade de o dispositivo no falhar antes de 10,54
horas.

Exemplo 3: uma indstria fabrica lmpadas especiais que ficam em operao
continuamente. A empresa oferece a seus clientes a garantia de reposio, caso a
lmpada dure menos de 50 horas. A vida til dessas lmpadas modelada
atravs da distribuio exponencial e possui, para t 0, a seguinte funo
densidade de probabilidade:
t .
8000
1
e .
8000
1
) t ( f

= . Qual a porcentagem de lmpadas
que essa indstria dever repor a seus clientes, a ttulo de garantia?

Comparando com a funo densidade da distribuio Exponencial

=

contrrio. caso , 0
0; t se , e .
) x ( f
x .
, percebemos que o nosso parmetro vale
8000
1
= . Queremos calcula a seguinte probabilidade:

006 , 0 e 1 ) 50 T ( P
50 .
8000
1
= = <

.


Ou seja, a proporo de trocas por defeito de fabricao ser de
aproximadamente 0,6%. Esse nmero relativamente pequeno, algo natural, visto
que como o parmetro vale
8000
1
= , a mdia da distribuio
8000
8000
1
1 1
= =

= horas.



3.2.4. Exerccios

1) Uma lmpada tem a durao de acordo com a densidade de probabilidade a
seguir:

<
=

0 t , e .
1000
1
0 t , 0
) t ( f
1000
t
. Determine:



43
a) a probabilidade de que uma lmpada qualquer queime antes de 1.000 horas;
b) a probabilidade de que uma lmpada qualquer queime depois de sua durao
mdia;
c) o desvio padro da distribuio.

2) O tempo de atendimento numa oficina aproximadamente exponencial com
mdia de quatro minutos. Qual a probabilidade de:
a) espera superior a quatro minutos?
b) espera inferior a cinco minutos?
c) espera de exatamente quatro minutos?

3) Sabemos que o intervalo entre ocorrncias sucessivas de uma doena
contagiosa uma varivel aleatria que tem distribuio exponencial com mdia
de 100 dias. Qual a probabilidade de no se ter registro de incidncia da doena
por pelo menos 200 dias a partir da data em que o ltimo caso for registrado?

4) Se as interrupes no suprimento de energia eltrica ocorrem segundo uma
distribuio de Poisson com a mdia de uma interrupo por ms (quatro
semanas), qual a probabilidade de que entre duas interrupes consecutivas haja
um intervalo de:
a) menos de uma semana?
b) entre 10 e 12 semanas?
c) exatamente um ms?
d) mais de trs semanas?
DICA: calcule o parmetro da distribuio de Poisson. Ele ser o mesmo na
Exponencial.

5) A durao de certo tipo de condensador tem distribuio exponencial com
mdia de 200 horas. Qual a proporo de condensadores que duram:
a) menos de 100 horas?
b) mais de 500 horas?
c) entre 200 e 400 horas?

6) Uma companhia fabrica lmpadas especiais com uma durao mdia de 100
horas e distribuio exponencial.
a) Qual deve ser a garantia do fabricante para repor apenas 5% da produo?
b) Qual a probabilidade de uma lmpada durar de 163 a 185 horas?

7) O tempo necessrio para eliminar o perigo de contaminao de certo pesticida,
aps sua aplicao em um pomar, uma varivel aleatria Exponencial de
parmetro 2 (em anos). O maior ou menor tempo depende de fatores como chuva,
vento e umidade da regio. Tendo em vista esse comportamento, as autoridades
sanitrias recomendam que o contato direto ou indireto com as frutas pulverizadas
seja evitado por algum tempo aps a aplicao.
a) Calcule a probabilidade de uma fruta desse pomar, escolhida ao acaso, no
estar mais contaminada aps 1 ano da pulverizao.
b) Qual a nossa segurana se aguardarmos 2 anos para consumir essas
frutas?



44

Respostas
1) a) 0,6321 b) 0,3679 c) 1000 horas
2) a) 0,3679 b) 0,7135 c) 0
3) 0,1353
4) a) 0,2212 b) 0,0323 c) 0 d) 0,4724
5) a) 0,3935 b) 0,0821 c) 0,2325
6) a) 5,13 h b) 0,0387
7) a) 0,865 b) A probabilidade da contaminao se encerrar em at 2 anos 0,982.




45

3.3. Distribuio Normal

O mundo normal! Acredite se quiser! Muitos dos fenmenos aleatrios que
encontramos na prtica apresentam uma distribuio muito peculiar, chamada
Normal.

Um modelo probabilstico aquele que nos diz, ou melhor, nos traduz na forma de
nmeros o comportamento de uma varivel. Por exemplo, j fizemos algumas
anlises das variveis altura e peso. Considerando o caso de grandes amostras
aleatrias ou mesmo da populao, tanto o peso como a altura tem um
comportamento muito parecido. Vejamos, por exemplo, a varivel altura,
considerando-se o sexo masculino e sendo a populao os habitantes do Brasil.
Essa varivel dita Normal, conforme discutiremos mais adiante.

Essa distribuio de freqncia denominada curva normal, considerada um
modelo terico ou ideal que resulta muito mais de uma equao matemtica do
que de um real delineamento de pesquisa com coleta de dados.

A curva normal um tipo de curva simtrica, suave, cuja forma lembra um sino.
Ela unimodal, sendo seu ponto de freqncia mxima situado no meio da
distribuio, em que a mdia, a mediana e a moda coincidem.



Para exemplificarmos, suponhamos 2000 lanamentos de 200 moedas
honestas. Utilizando um software de simulao, obtivemos os seguintes
resultados:


[80 ... 81] 5
[82 ... 83] 6
[84 ... 85] 16
[86 ... 87] 19
[88 ... 89] 39
[90 ... 91] 60
[92 ... 93] 91
[94 ... 95] 111
[96 ... 97] 165
[98 ... 99] 194

46
[100 ... 101] 227
[102 ... 103] 220
[104 ... 105] 206
[106 ... 107] 174
[108 ... 109] 155
[110 ... 111] 123
[112 ... 113] 84
[114 ... 115] 49
[116 ... 117] 21
[118 ... 119] 18
[120 ... 121] 6
[122 ... 123] 8
[124 ... 125] 2
[126 ... 127] 1

sample mean = 102.132
sample st dev = 7.238

A partir desses dados, construmos o histograma:

79.50 127.50
0
227
Freq
heads


Observando tal histograma e a tabela anterior, notamos que a mdia est entre as
duas classes com maior freqncias. Alm disso, considerando-se a mdia,
percebemos que o histograma parece ser simtrico ao redor dela. A freqncia
menor quanto mais nos afastamos da mdia, tanto para mais quanto para menos,
sendo que as menores freqncias ocorrem nas pontas do grfico.

Note que quanto mais classes usamos, mais fcil fica identificarmos um formato
criado pelas colunas do histograma. Esse formato faz lembrar um sino, conforme a
figura seguinte:




47
79.50 127.50
0
227
Freq
heads


Limpando o grfico acima, temos:

80.0 90.0 100.0 110.0 120.0 130.0 80.0 90.0 100.0 110.0 120.0 130.0



Essa curva que chamamos de sino recebe um nome especial: Curva Normal.

A Curva Normal a representante do modelo normal e obtida a partir da funo
densidade que nada mais do que uma funo que origina o grfico anterior.

Assim, se X uma varivel aleatria com distribuio Normal com mdia e
varincia
2
(notao: X ~ N(,
2
)) ento a sua funo densidade dada por

2
2
2
) x (
e
2
1
) x ( f

=


A Normal apresenta as seguintes propriedades:

- simtrica ao redor da mdia;
- a rea sobre a curva igual a 1;
Mdia = 102,3

48
- para valores muito grandes de x, tendendo a infinito (ou muito pequenos,
tendendo a menos infinito), a curva tende a zero.

Note que conforme o caso, poderemos ter curvas com formatos diferentes, ou
seja, mais para a direita, mais para a esquerda, mais ou menos achatadas...
enfim, cada caso poder gerar uma curva diferente. Vejamos mais um caso.

Consideremos o lanamento de dois dados no viciados. Estamos interessados
em analisar a soma dos resultados obtidos em cada jogada. Realizando uma
simulao e construindo o histograma dos resultados, obtemos:


1.50 12.50
0
173
Freq
sum



No caso simulado, obtivemos:

sample mean = 7.07200
sample st dev = 2.34282

Ou seja, = 7,07 e s = 2,34, onde indica a mdia e s o desvio padro da
amostra. Isolando a curva da normal temos:


49
1.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.011.012.013.014.015.016.0
0.1
1.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.011.012.013.014.015.016.0
0.1


Assim, conforme havamos dito, existem diferentes curvas, que variam conforme
os valores da mdia e do desvio-padro.

Lembramos que a rea abaixo desse grfico vale 1. Ou seja, a rea corresponde
a uma probabilidade.

3.3.1. rea sob a Curva Normal

aquela regio do plano compreendida entre a curva e o eixo das abscissas, que
corresponde em qualquer distribuio normal a 100% dos dados considerados.

Exemplo 1: consideremos uma populao de uma cidade A e de uma outra
cidade B. Suponhamos que todas as pessoas tenham informado as respectivas
alturas (em centmetros). E deseja-se fazer uma comparao entre tais
populaes. As principais estatsticas obtidas por essa pesquisa foram:

Populao A Populao B
Mdia ( ) 174 178
Varincia (
2
) 64 1

Um pesquisador deseja sortear aleatoriamente pessoas para fazer um teste sobre
DNA e crescimento e, para isso, gostaria de coletar (aleatoriamente!) pessoas
com mais de 1,80m. Em qual das duas populaes ser mais fcil achar pessoas
com tais caractersticas?

Para isso, podemos dizer que estamos trabalhando com duas variveis:

X
A
: altura de 1 pessoa selecionada ao acaso na populao A
X
B
: altura de 1 pessoa selecionada ao acaso na populao B

Nosso objetivo calcular as seguintes probabilidades:

P(X
A
> 180) e P(X
B
> 180).


50
Mas antes, calculemos o valor do desvio-padro () de cada uma das populaes.
Lembrando que o desvio-padro nada mais do que a raiz quadrada da varincia.
Logo:

8 64
A
= =
1 1
B
= =

Utilizando um software possvel calcularmos tais probabilidades. Esse software
calcula, na verdade, a rea abaixo da curva:

P(X
A
> 180) = 0,2266 ou 22,66%.

P(X
B
> 180) = 0,0228 ou 2,28%.

Portanto, o pesquisador ter mais facilidade de achar pessoas com mais de 1,80m
na populao A. Aleatoriamente falando, tal probabilidade de 22,66%.

Esse resultado pode parecer estranho, visto que a populao B possui uma mdia
de alturas superior ao da populao A. Porm, tal fato explicado atravs da
variabilidade dos resultados, ou melhor, pelo desvio-padro.


Exemplo 2: Consideremos, ainda, o exemplo anterior. S que, agora, temos
interesse em obter pessoas que tenham entre 1,75m e 1,80m. Qual populao
possui um nmero maior de habitantes nessa faixa de altura?

Aqui, queremos calcular as seguintes probabilidades:
P(175 < X
A
< 180) e
P(175 < X
B
< 180) .

Novamente, usando um software, obtemos:

P(175 < X
A
< 180) = 0,2236 e

P(175 < X
B
< 180) = 0,9759.

Portanto, evidente que a populao B, mais uma vez, representa a melhor
escolha, pois a probabilidade de escolhermos uma pessoa nessa faixa de altura
na populao B quase 100%, ou seja, quase todos habitantes possuem as
alturas procuradas.






Meu computador deu pau! Como calcular as
probabilidades da Normal?

USE A NORMAL PADRO !

51
3.3.2. Normal Padro

Em muitos livros de Estatstica podemos encontrar uma tabela da Normal Padro.
uma tabela que nos fornece valores das reas (= probabilidades) de acordo com
o valor de x, exatamente como fizemos nos exemplos anteriores com o auxlio do
software Winstats.

A maioria dos softwares de Estatstica possuem comandos que permitem
calcularmos o valor das reas sobre curvas como a Normal, dentre eles, o SAS, o
Excel, o S-PLUS, e outros. Porm, se no temos acesso a um computador,
podemos usar a Tabela da Normal. Mas, como dissemos anteriormente, existem
diversas curvas da normal, que variam segundo a mdia e varincia. Isso significa
que teramos que ter inmeras tabelas da normal... o que no parece muito vivel.

Dessa forma, criou-se uma maneira mais simples de se obter as reas desejadas.
Criou-se uma curva denominada Normal Padro, que corresponde a uma
distribuio normal com mdia zero e desvio-padro um. Geralmente a
varivel aleatria associada distribuio normal padro chamada de Z. Em
notao:





A grande vantagem de usarmos tal distribuio o fato de trabalharmos apenas
com uma distribuio e, portanto, com uma nica tabela. Tudo mais fcil!

Porm, como fazer para obtermos tal varivel Z (padronizada) a partir de uma
varivel aleatria qualquer X tal que X ~ N( ,
2
) ?

Basta padronizarmos ou normalizarmos a varivel X atravs da frmula:





onde:
= mdia de X
= desvio-padro de X

3.3.2. Usando a tabela da Normal Padro

Existem algumas variaes de apresentao da tabela. No nosso caso,
utilizaremos uma tabela tal que P(0 Z z
c
) = p, ou seja, a probabilidade
fornecida pela tabela (p) corresponde ao intervalo que vai de 0 at um certo
nmero z
c
no eixo x. Esquematicamente, a tabela da normal nos fornece a
probabilidade correspondente rea a seguir:



Z ~ N(0,1), ou seja,
Z
= 0 e
Z
= 1

=
X
Z

52







Veja, esquematicamente, como deve ser a leitura da tabela:



















Exemplo 3 Padronizao

Voltemos ao caso do exemplo anterior onde tnhamos = 174 e = 8. Queramos
calcular P(X > 180). Vamos normalizar a varivel X (ou seja, transform-la em Z) e
utilizar a tabela para obter a probabilidade desejada.

( ) 75 , 0 Z P
8
174 180 X
P ) 180 X ( P > = |

\
|
>

= >

Para obtermos a probabilidade desejada, devemos lembrar que a nossa tabela
nos fornece a probabilidade de 0 at um certo valor.
0
zc
p
Leitura da Tabela Leitura da Tabela Leitura da Tabela Leitura da Tabela
2 casa decimal de Z
Parte
inteira e
1 casa
decimal
de Z
Probabilidade

53





Dado Z = 0,75, vejamos como obter a probabilidade a partir da tabela da Normal
Padro. Na coluna mais esquerda, tomamos a parte inteira e a primeira decimal
de Z, no caso, 0,7. Na linha superior, observamos o valor da segunda casa
decimal, no caso 5 (lembre-se que o nmero 0,75). A clula correspondente
linha do nmero 0,7 e da coluna de 5 o valor da probabilidade. No caso,
p=0,2734.



Parte inteira e primeira decimal de z Segunda casa decimal de z
0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621


Ento:

3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4


0,75
Em vermelho, temos a
rea (probabilidade)
fornecida pela tabela.
p=0,2734
Consultando a tabela da Normal

54
3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4


Como fazer para calcular o valor desejado a partir do valor da tabela?

Bem, preciso relembrar as propriedades da curva da normal, em especial duas
delas:

1) a rea abaixo da curva igual a 1;
2) a curva simtrica em torno da mdia (no caso da normal padro, em torno
do zero).

Logo, conclumos, que a rea correspondente metade da curva igual a 0,5:

3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4


Ento, podemos observar que:

P(0 Z 0,75) + P(Z > 0,75) = 0,5

P(Z > 0,75) = 0,5 P(0 Z 0,75)

P(Z > 0,75) = 0,5 0,2734
0,75
Em laranja, temos a rea
(probabilidade) que
desejamos obter.
p = 0,5

55

P(Z > 0,75) = 0,2266

Logo, a probabilidade procurada de 0,2266 que corresponde ao mesmo valor
obtido utilizando-se o software (exemplos anteriores).

Exemplo 4 Padronizao

Consideremos a mesma situao das alturas, ou seja, = 178, = 1 e queramos
calcular a probabilidade P(175 < X < 180).

Normalizando a varivel X temos:

) 2 Z 3 ( P
1
178 180 X
1
178 175
P ) 180 X 175 ( P < < = |

\
|
<

<

= < <

Graficamente:

3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4

Porm, a nossa tabela s nos fornece os valores:

3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4

Em vermelho, temos a
rea (probabilidade) que
desejamos obter.
0,4772

56

E, tambm, fornece o valor de:

3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0
0.1
0.2
0.3
0.4


Logo, a rea procurada corresponde soma das reas parciais:

P(3 < Z < 2) = 0,4772 + 0,4987 = 0,9759,

que igual probabilidade obtida atravs do software (exemplos anteriores).

Assim, mostramos que a tabela pode ser muito til, principalmente quando no
temos um computador ou software adequado por perto.


Exemplo 5 Teste de aptido

Em um certo teste de aptido para contratao de determinada empresa, os
candidatos devem realizar uma seqncia de tarefas no menor tempo possvel.
Suponhamos que o tempo necessrio para completar esse teste tenha uma
distribuio Normal com mdia 45 minutos e desvio-padro de 20 minutos.
Suponhamos que, numa primeira etapa, esse teste foi aplicado com uma amostra
de 50 candidatos. Qual a probabilidade de encontrarmos algum candidato que
tenha um tempo superior a 50 minutos (candidato muito lento) ou inferior a 30
minutos (que seria impossvel completar o teste)? Qual o nmero aproximado de
candidatos com tal perfil?

Inicialmente, seja X uma varivel que indique o tempo de execuo das tarefas tal
que X ~ N(45, 20
2
). Desejamos calcular:

P(X > 50) + P(X < 35) =

= = |

\
|
<

+ |

\
|
>

20
45 30 X
P
20
45 50 X
P

= P(Z > 0,25) + P (Z < -0,75) =
0,4987
Lembre-se que, como a
curva simtrica, a
rea correspondente ao
intervalo de 3 0
igual a rea de 0 3!

57

3.0 2.0 1.0 1.0 2.0 3.0 4.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0 4.0
0.1
0.2
0.3
0.4

3.0 2.0 1.0 1.0 2.0 3.0 4.0
0.1
0.2
0.3
0.4
3.0 2.0 1.0 1.0 2.0 3.0 4.0
0.1
0.2
0.3
0.4


= (0,5 0,0987) + (0,5 0,2734) =

= 0,6279 ou 62,79%

Como 0,6279 . 50 = 31,39, temos que o nmero de pessoas aproximado que
contenham tais caracterstica de 32 pessoas. Ento, nesse teste a empresa j
exclui 32 candidatos, restando apenas 18 para continuarem no processo de
seleo.

3.3.3. Resumo das Propriedades da Distribuio Normal
1) A varivel aleatria X pode assumir todo e qualquer valor real.
2) A representao grfica da distribuio normal uma curva em forma de sino,
simtrica em torno da mdia, que recebe o nome de curva normal ou de Gauss.
3) A rea total limitada pela curva e pelo eixo das abscissas igual a 1, j que
essa rea corresponde probabilidade de a varivel aleatria X assumir qualquer
valor real.
4) A curva normal assinttica em relao ao eixo das abscissas, isto ,
aproxima-se indefinidamente do eixo das abscissas sem, contudo, alcan-lo.
5) Como a curva simtrica em torno da mdia, a probabilidade de ocorrer valor
maior que a mdia igual probabilidade de ocorrer valor menor do que a mdia,
isto , ambas as probabilidades so iguais a 0,5 ou 50%. Cada metade da curva
representa 50% de probabilidade.
6) Uma varivel Normal X com mdia e desvio padro pode ser
transformada em uma varivel Normal Padro Z pela frmula

=
X
Z .





58
Exemplo 6: Qual a probabilidade de escolher-se de forma aleatria, numa s
tentativa, uma pessoa que tenha renda anual entre US$ 4.000 e US$ 7.000,
morador de uma cidade. Sendo a renda mdia desta cidade US$ 5.000 e o
desvio padro de US$ 1.500? Sabese que a renda populacional possui uma
distribuio Normal.

Sendo X: renda anual de uma pessoa em dlares, temos:

) 33 , 1 Z 67 , 0 ( P
1500
5000 7000
Z
1500
5000 4000
P ) 7000 X 4000 ( P < < = |

\
|
< <

= < <

Consultado a tabela da normal, verificamos que a probabilidade entre z=0 e
z=1,33 vale 0,1293. A probabilidade entre z=0 e z=1,33 igual, devido
simetria da curva, probabilidade entre z=0 e z=1,33 e vale 0,4082. Logo:

P(0,67<Z<1,33) = 0,1293 + 0,4082 = 0,5375 ou 53,75%.


Exemplo 7: Os pesos de 600 estudantes so normalmente distribudos com
mdia 65,3 kg e desvio padro 5,5 kg. Determine o nmero de estudantes que
pesam:
a) entre 60 kg e 70 kg
b) mais que 63,2 kg
c) mais que 72 kg

Resoluo

Seja X: peso de um estudante em kg.
a) ) 67 , 2 Z 85 , 0 ( P
5 , 5
3 , 65 80
Z
5 , 5
3 , 65 70
P ) 80 X 70 ( P < < = |

\
|
< <

= < < =
= 0,4962 0,3023 = 0,1939.

Logo, haver 0,1939 . 600 = 116,34 ~ 116 estudantes pesando entre 70kg e 80kg.

b) 6480 , 0 1480 , 0 5 , 0 ) 38 , 0 Z ( P
5 , 5
3 , 65 2 , 63
Z P ) 2 , 63 X ( P = + = > = |

\
|
> = > .
Portanto, esperase encontrar 0,6480 . 600 = 388,8 ~ 389 estudantes com peso
superior a 63,2kg.

c) 1112 , 0 3888 , 0 5 , 0 ) 22 , 1 Z ( P
5 , 5
3 , 65 72
Z P ) 72 X ( P = = > = |

\
|
> = > .
Assim, devemos encontrar 0,1112 . 600 = 66,72 ~ 67 estudantes com mais de
72kg.






59
Exemplo 8: sendo Z uma varivel Normal Padro, calcule as seguintes
probabilidades:
a) P (0 < Z < 1,44)
b) P (1,48< Z < 2,05)
c) P (Z > 2,03)
d) P (Z > 2,03)
e) P (0,72 < Z < 1,89)
f) P (0,72 Z < 1,89)
g) P (0,72 < Z 1,89)
h) P (0,72 Z 1,89)
i) P(Z = 0,72)
j) P(Z = 1,89)
k) P(Z>4,5)
l) P(Z<4,5)

Resoluo

Observe que a varivel j est padronizada. Logo, basta consultarmos a tabela
para efetuar os clculos. Sugesto: para compreender melhor, sempre faa um
esboo da rea procurada.

a) P (0 < Z < 1,44) = 0,4251
b) P (1,48< Z < 2,05) = 0,4306 + 0,4798 = 0,9104
c) P (Z > 2,03) = 0,5 + 0,4788 = 0,9788
d) P (Z > 2,03) = 0,5 0,4788 = 0,0212
e) P (0,72 < Z < 1,89) = 0,4706 0,2642 = 0,2064

Para os itens seguintes, perceba que h apenas a alterao entre os smbolos
< e . Pensando que a probabilidade corresponde a rea sob a curva e que a
rea sob um nico ponto uma linha e, portanto, tem rea igual a zero,
conclumos que a adio ou remoo de um ponto no interfere no resultado
final. Ou seja:
f) P (0,72 Z < 1,89) = 0,2064
g) P (0,72 < Z 1,89) = 0,2064
h) P (0,72 Z 1,89) = 0,2064

A rea sob um ponto uma linha, ou seja, a rea igual a zero:
i) P(Z = 0,72) = 0
j) P(Z = 1,89) = 0

Note que a tabela no possui valores de probabilidade para z muito grande
(geralmente acima de 4, dependendo da tabela utilizada). Ao mesmo tempo, note
que para os ltimos valores da tabela, a probabilidade se aproxima de 0,5. Ento:
k) P(Z>4,5) = 0,5 0,5 = 0
l) P(Z<4,5) = 0,5 + 0,5 = 1





60
Exemplo 9: Se X uma varivel aleatria tal que X~N(20; 49), Calcule
P(X<30).

Pela notao da distribuio Normal, X possui mdia 20 e varincia 49. Logo,
o desvio padro vale 7. Assim:

9236 , 0 4236 , 0 5 , 0 ) 43 , 1 Z ( P
7
20 30
Z P ) 30 X ( P = + = < = |

\
|
< = < .

Exemplo 10: o salrio semanal dos operrios de construo civil de certo pas
distribudo normalmente em torno da mdia de $ 80, com desvio padro de
$5.

a) Qual o valor do salrio para escolhermos 10% dos operrios com maiores
remuneraes?
b) Qual o maior salrio correspondente aos 20% dos trabalhadores que
ganham menos?

Resoluo

Este exemplo o contrrio dos anteriores. Antes, conhecamos o valor da
varivel X, padronizvamos para a varivel Z e, usando a tabela da Normal
Padro, obtnhamos o valor da probabilidade procurada. Aqui, vamos fazer
exatamente o mesmo caminho s que ao contrrio.

a) Queremos calcular um salrio a de modo que:
P(X>a) = 0,10.

Padronizando:

10 , 0
5
80 a
Z P = |

\
|
> .

Ou seja, nosso interesse procurar um valor de z na tabela de modo que a
rea da curva a seguir seja 0,10.


61




Consequentemente, vamos procurar na tabela o valor que mais se aproxima de
0,40 (veja a figura seguinte):






Observando a tabela, encontramos o valor de z mais prximo probabilidade
0,40:

0,10
z = ?
z = ?
0,40

62


Ou seja, o valor de z desejado z=1,28. Isso significa que P(Z>1,28) 0,10.
Comparando com a expresso obtida 10 , 0
5
80 a
Z P = |

\
|
> , temos a seguinte
igualdade:
28 , 1
5
80 a
=

Portanto, a=86,4. Concluso: existem 10% dos operrios que ganham acima de
$86,40. Esse , portanto, o salrio procurado.

b) Agora, desejamos saber o salrio b que separa os 20% que ganham menos
dos demais, ou seja:

P(X<b)=0,20
20 , 0
5
80 b
Z P = |

\
|
<

Graficamente, queremos achar, na tabela da Normal Padro, o valor de z que
satisfaz ao grfico:


63




Observando a tabela da Normal Padro, devemos procurar a probabilidade mais
prxima de 0,30:



Ou seja, o valor procurado z=0,84. Porm, olhando o ltimo grfico, devemos
ficar atento para o fato de que o valor que desejamos est esquerda do zero,
ou seja, um valor negativo. Devido simetria da curva da Normal, conclumos
que o valor de z que realmente queremos z=0,84. Em outras palavras, temos
que P(Z<0,84) 0,20. Logo:
z = ?
0,20
0,30

64

84 , 0
5
80 b
=

e, portanto, b=75,8.

Assim, o salrio semanal de $ 75,80 separa os 20% dos operrios que recebem
menos.

Exemplo 11: em uma escola, as notas de um exame so normalmente
distribudos com mdia de 72 pontos e desvio padro de 9. O professor atribuir
conceito A aos 8% dos melhores alunos. Qual a menor nota (valor inteiro) que um
aluno pode tirar de modo a garantir um conceito A?

Seja k a nota procurada e seja X a varivel que representa a nota de um aluno.
Queremos:

P(X>k)=0,08
08 , 0
9
72 k
Z P = |

\
|
> .

Buscando na tabela da normal o valor de z que mais se aproxima da probabilidade
igual a 0,50,08=0,42, encontramos z=1,41. Ou seja, P(Z>1,41)=0,08. Logo:

69 , 84 k 41 , 1
9
72 k
= =

. Ou seja, a menor nota que o aluno deve tirar para

garantir um conceito A 85.

3.3.4. Exerccios

1) O tempo necessrio em uma oficina para o conserto da transmisso de um tipo
de carro segue distribuio normal com mdia de 45 minutos e desvio-padro de 8
minutos. O mecnico comunicou a um cliente que o carro estar pronto em 50
minutos. Qual probabilidade do mecnico atrasar o seu servio?

2) A durao de certo componente eletrnico pode ser considerada normalmente
distribuda com mdia de 850 dias e desvio padro de 45 dias. Calcular a
probabilidade de um componente durar:
a) Entre 700 e 1000 dias
b) Mais de 800 dias
c) Menos de 750 dias

3) Determinado atacadista efetua suas vendas por telefone. Aps alguns meses,
verificou-se que os pedidos se distribuem normalmente com mdia de 3.000
pedidos e desvio-padro de 180 pedidos. Qual a probabilidade de que um ms
selecionado ao acaso esta empresa venda menos de 2700 pedidos.

4) O contedo lquido das garrafas de 300 ml de um refrigerante normalmente
distribudo com mdia de 300 ml e desvio padro de 2 ml. Determine a
probabilidade de uma garrafa selecionada ao acaso apresentar contedo lquido:
a) inferior a 306 ml

65
b) Superior a 305 ml
c) entre 302 e 304 ml

5) O lucro mensal obtido com aes de determinada empresa tem distribuio
normal com mdia de 12 mil reais e desvio padro de 5 mil reais. Qual a
probabilidade de que em determinado ms o lucro desta empresa seja:
a) superior a 18 mil reais
b) inferior a 8 mil reais
c) entre 10 e 15 mil reais

6) Durante o ms de dezembro aumenta a procura por concesso de crdito para
pessoa fsica. De acordo com dados histricos possvel verificar que a procura
segue uma distribuio aproximadamente normal com mdia de 12,8 milhes e
desvio padro de 15 milhes. Se as instituies de crdito reservarem 25 milhes
para concesso de crdito, qual a probabilidade de faltar dinheiro para emprestar?


7) Suponha que a renda mdia anual de uma grande comunidade tenha
distribuio normal com mdia de 15 mil reais e com um desvio-padro de 3 mil
reais. Qual a probabilidade de que um indivduo aleatoriamente selecionado deste
grupo apresente uma mdia salarial anual superior a 18 mil reais?

8) O escore de um estudante no vestibular uma varivel com distribuio normal
com mdia de 550 pontos e desvio padro de 30 pontos. Se a admisso em certa
faculdade exige um escore mnimo de 575 pontos, qual a probabilidade de um
aluno ser admitido nesta faculdade?

9) As vendas de determinado produto tm apresentado distribuio normal com
mdia de 600 unidades e desvio padro de 40 unidades. Se a empresa decide
fabricar 700 unidades naquele mesmo ms, qual a probabilidade dela no poder
atender a todos os pedidos desse ms por estar com o estoque esgotado?

10) O volume de enchimento de uma mquina automtica usada para encher latas
de bebidas gasosas distribudo normalmente com uma mdia de 12,4 onas e
um desvio padro de 0,1 ona. Qual a probabilidade do volume de enchimento
ser:
a) inferior a 12 onas
b) entre 12,1 e 12,6 onas
c) superior a 12,3 onas

11) O tempo de reao de um motorista para o estmulo visual normalmente
distribudo com uma mdia de 0,4 segundos com um desvio-padro de 0,05
segundos. Qual a probabilidade de que uma reao de um motorista requeira:
a) mais de 0,5 segundos
b) entre 0,4 e 0,5 segundos

12) O perodo de falta de trabalho em um ms por causa de doenas dos
empregados normalmente distribudo com uma mdia de 100 horas e desvio
padro de 20 horas. Qual a probabilidade desse perodo no prximo ms estar:
a) entre 50 e 80 horas

66
b) superior a 90 horas
c) inferior a 60 horas

13) X N(10; 100). Calcular P (12 < X 20).

14) X N(30; 16). Calcular P (X < 19).

15) X N(20; 25). Calcular P (X 30).

16) X N(50; 81). Calcular P (40 X < 60).

17) X N(10; 16). Calcular P (X 5).

18) Uma pesquisa indica que as pessoas usam seus computadores por uma
mdia de 2,4 anos antes de troclos por uma mquina nova. O desvio padro
0,5 anos. Um dono de computador selecionado de forma aleatria. Encontre a
probabilidade de que ele v usar o computador por menos de 2 anos antes de
troclo. Considere uma distribuio normal de probabilidades.

19) Uma pesquisa indica que para cada ida ao supermercado, uma pessoa gasta
uma mdia de 45 minutos, com desvio padro de 12 minutos naquela loja. Esse
tempo gasto na loja normalmente distribudo. Uma pessoa entra na loja.
a) Qual a probabilidade de que essa pessoa fique na loja entre 24 e 54 minutos?
b) Qual a probabilidade de que essa pessoa fique na loja mais que 39 minutos?
c) Se 200 pessoas entrarem na loja, quantas devem permanecer nela entre 24 e
54 minutos?
d) Se 200 pessoas entrarem na loja, quantas devem permanecer nela por mais de
39 minutos?

20) As pontuaes para um teste de servio civil so normalmente distribudas
com uma mdia de 75 pontos e um desvio padro de 6,5. Para ser adequado ao
emprego de servio civil. Voc deve ter pontuao dentro dos 5% primeiros
colocados. Qual a menor pontuao que voc pode obter e ainda assim ser
adequado ao emprego? Considere que a pontuao um valor inteiro.

21) Em uma amostra escolhida aleatoriamente de homens com idade entre 35 e
44 anos, a mdia do nvel de colesterol total era de 210 mg/dl. Suponha que os
nveis totais de colesterol sejam normalmente distribudos. Encontre o nvel total
de colesterol mais alto que um homem nessa faixa etria pode ter dentre os 1%
dos homens com menores nveis de colesterol.

22) Voc vende uma marca de pneus de automveis que tem uma expectativa de
vida que normalmente distribuda com uma vida mdia de 30.000 milhas e um
desvio padro de 2.500 milhas. Voc quer dar uma garantia de troca de pneus
grtis que no durem muito. Como voc poderia honrar sua garantia se voc est
disposto a trocar 10% dos pneus que vende?




67
23) Uma mquina de venda automtica, distribui caf em um copo de 8 decilitros.
A quantidade de caf no copo normalmente distribuda com desvio padro de
0,03. Voc pode deixar o caf transbordar 1% das vezes. Qual quantidade voc
deveria marcar como a quantidade mdia de caf a ser distribudo?

24) Os pesos do contedo de uma caixa de cereais so normalmente distribudos
com um peso mdio de 20 onas e um desvio padro de 0,07 ona. Caixas nos
5% mais baixos no atendem s condies mnimas de peso e devem ser
embaladas novamente. Qual o peso mnimo exigido para uma caixa de cereais?




Respostas
1) 0,2643
2) a) 0,9992 b) 0,8665 c) 0,0132
3) 0,0475
4) a) 0,9987 b) 0,0062 c) 0,1359
5) a) 0,1151 b) 0,2119 c) 0,3811
6) 0,2090
7) 0,1587
8) 0,2033
9) 0,0062
10) a) 0 b) 0,9759 c) 0,8413
11) a) 0,0228 b) 0,4772
12) a) 0,1525 b) 0,6915 c) 0,0228
13) 26,2%
14) 0,3%
15) 97,72%
16) 73,3%
17) 89,44%
18) 21,19%
19) a) 0,7333 b) 0,6915 c) 147 pessoas d) 138 pessoas
20) 86 pontos
21) 120 mg/dl
22) Pneus que gastam antes de completarem 26.800 milhas.
23) 7,93 decilitros.
24) 19,88 onas



68
Distribuio Normal: Valores de p tais que P(0 Z z) = p
Parte inteira
e primeira
decimal de z
Segunda casa decimal de z
0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000