12 – Distribuições de Probabilidades

12.1 Introdução

Neste capítulo vamos dar continuidade ao estudo de probabilidades, introduzindo os

conceitos de variáveis aleatórias e de distribuições de probabilidade.
Uma variável aleatória (v.a.) associa um valor numérico a cada resultado de um
fenômeno aleatório e uma distribuição de probabilidade associa uma probabilidade a cada valor
de uma variável aleatória. Como exemplos, podemos citar: número de usuários que consultam
um site de busca, em certo tempo do dia, o número de atletas com lesões traumáticas no joelho, o
tempo de uso de um equipamento, salários de funcionários de uma empresa, a pressão sanguínea
de alunos, dentre outros. Uma variável pode ser classificada como variável aleatória discreta ou
variável aleatória contínua.

12.2 Variável Aleatória Discreta

Uma variável aleatória que pode assumir um número finito de valores ou uma
quantidade enumerável de valores, cujas probabilidades de ocorrência são conhecidas é
denominada variável aleatória discreta.
A função que atribui a cada valor da variável aleatória sua probabilidade é denominada
função discreta de probabilidade ou função de probabilidade, isto é:

P(X = xi) = p(xi) = pi, i = 1, 2, . . .

Uma função de probabilidade satisfaz as duas condições seguintes:

i) 0 ≤ pi ≤ 1;
ii)  pi = 1.

Exemplo 1: A otite média é uma moléstia do ouvido que representa uma das causas mais
freqüentes de consulta médica nos primeiros dois anos de vida de uma criança. Seja X a v.a. que
representa o número de episódios de otite média nos primeiros dois anos. Então X é uma v.a.
discreta que assume valores 0, 1, 2, 3, .... e tenha a distribuição dada a seguir:

X 0 1 2 3 4 5 6
P(X = x) 0,129 0,264 0,271 0,185 0,095 0,039 0,017

No exemplo temos: 0,129 + 0,264 + 0,271 + 0,185 + 0,095 + 0,039 + 0,017 = 1

Exemplo 2: Lançam-se três moedas. Seja x é o número de caras, x assume os valores 0, 1, 2 e 3.

Determinar a distribuição de probabilidade de X (conjunto de todos os valores que podem ser
assumidos pela variável aleatória, com as respectivas probabilidades). O espaço amostral do
experimento aleatório é:

S = {(c,c,c), (c,c,r), (c,r,c), (c,r,r), (r,c,c), (r,c,r), (r,r,c), (r,r,r)}

Estatística II.................................................................................................................................................100
 Distribuição de Probabilidade
X P(x)
0 1/8
1 3/8
2 3/8
3 1/8
1

12.3 Variável Aleatória Contínua

Uma variável aleatória contínua pode tomar um número infinito de valores, e esses
valores podem ser associados a mensurações em uma escala contínua e as probabilidades
necessárias ao seu estudo são calculadas como a área abaixo da curva da distribuição, chamada
de função densidade de probabilidade. Como exemplos de variáveis aleatórias contínuas,
podemos citar: o tempo de uso de um equipamento eletrônico; medidas do tórax, diâmetro de um
cabo de vídeo, tempo de atendimento a clientes; altura, peso, etc.

12.4 Esperança Matemática

Seja X uma variável aleatória. A esperança matemática, média ou valor esperado de X é
definida por:


E(X) = x =  =  x i . px i  ,
i 1
se X for discreta, e por


E(X) = x =  =  x. f (x ) dx ,


se X for contínua.

Cada quantia ou valor que a variável assume é multiplicada pela probabilidade

correspondente, e a esperança matemática E(x), é dada pela soma de todos esses produtos.

Exemplo 1: As probabilidades de um investidor vender uma propriedade com lucro de R$

2500,00, de R$ 1500,00, R$ 500,00 ou com um prejuízo de R$ 500,00 são 0,22, 0,36, 0,28 e
0,14, respectivamente. Qual é o lucro esperado do investidor?

 x1 = 2500 x2 = 1500 x3 = 500 x4 = -500

 p1 = 0,22 p2 = 0,36 p3 = 0,28 p4 = 0,14

Estatística II.................................................................................................................................................101
 
E(x) =  x . P x 
i 1
i i

E(x) = 2500(0,22)  1500(0,36)  500(0,28)  500(0,14)  1160

Exemplo 2: A agência de uma companhia aérea, em certo aeroporto, tem as probabilidades de

0,06, 0,21, 0,24, 0,18, 0,14, 0,10, 0,04, 0,02, 0,01 de receber 0, 1, 2, 3, 4, 5, 6, 7 ou 8 reclamações
sobre desvios de bagagem por dia. Quantas reclamações a agência espera receber por dia

12.5 Variância e Desvio-padrão

A variância de uma variável aleatória X é dada por:

2 = Var(X) = E(X2) - [E(X)]2

e o desvio-padrão por:

 2

12.6 Principais Distribuições de Probabilidades

A distribuição de probabilidade de uma variável descreve como as probabilidades estão

distribuídas sobre os valores da variável aleatória. A seguir veremos as distribuições de
probabilidade Bernoulli, Binomial e Poisson para variáveis aleatórias discretas e a distribuição
Normal para uma variável aleatória contínua.

12.6.1 Distribuição Binomial

Vimos que uma variável aleatória associa um valor numérico a cada resultado de um
experimento aleatório e uma distribuição de probabilidade associa uma probabilidade a cada
valor de uma variável aleatória. Nesta seção veremos como determinar as probabilidades para
uma categoria importante de distribuição de probabilidades: os experimentos binomiais. Os
experimentos binomiais têm a característica de apresentarem exatamente dois resultados
complementares: em processos industriais, as peças falham ou não falham. Na medicina, um
paciente sobrevive um ano ou morre. Em propaganda, um consumidor reconhece um produto, ou
não.
Em muitos problemas aplicados, o que nos interessa é a probabilidade de um evento
ocorrer x vezes em n provas. Nos problemas a serem estudados nesta seção, temos as seguintes
condições:
 O experimento deve comportar um número fixo de provas

Estatística II.................................................................................................................................................102
 As provas devem ser independentes. (O resultado de qualquer prova não afeta as
probabilidades das outras provas)

 Cada prova deve ter todos os resultados classificados em duas categorias

 As probabilidades devem permanecer constantes para cada prova

Se fazemos um experimento binomial, a distribuição da variável aleatória é chamada

distribuição de probabilidade binomial.
Consideremos n tentativas independentes de um mesmo experimento aleatório. Cada
tentativa admite apenas dois resultados: sucesso com probabilidade p ou fracasso com
probabilidade q, p + q = 1. As probabilidades de sucesso e fracasso são as mesmas para cada
tentativa.

Designa-se por b(n,p), onde n e p são os parâmetros. A v.a. conta o número x de sucessos em
n provas.

n
P (x) =   p x q n x
x
em que:

n = número de tentativas (provas)

x = número de sucessos

p = probabilidade de sucesso

q = probabilidade de fracasso

P(x) denota a probabilidade de obter exatamente x sucessos em n provas

Observações:

n n!
  
 x  (n  x )! x!

Estatística II.................................................................................................................................................103
 A média de uma distribuição Binomial é dada pela fórmula:  = np e a variância é dada
pela fórmula: 2 = npq

Exemplo 1: Uma moeda é lançada 6 vezes. Qual a probabilidade de:

a. Exatamente duas caras ocorrerem?

b. Ocorrerem pelo menos 4 caras?

c. Pelo menos 1 cara?

Exemplo 2: Há uma probabilidade de 0,30 de que uma pessoa, ao fazer compras em um

supermercado, se beneficie de uma promoção especial de sorvete. Determine as probabilidades
de que, dentre seis pessoas que estão fazendo compras no supermercado, haja 0, 1, 2, 3 que se
beneficiem da promoção.

Exemplo 3: Há uma probabilidade de 0,80 de um chefe de família ter seguro de vida; qual a
probabilidade de que, dentre cinco chefes de família:

a. Nenhum tenha seguro de vida?

b. Exatamente quatro tenham seguro de vida?

Estatística II.................................................................................................................................................104
12.6.2 Distribuição de Poisson

Como aplicações da distribuição de Poisson incluem o estudo de acidentes com veículos,

número de mortes por ataque de coração por ano, numa cidade, número de colônias de bactérias
numa dada cultura por 0,01 mm2, numa plaqueta de microscópio, clientes chegando ao caixa de
um banco e usuários de computador ligados à Internet.
A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a
ocorrência de um evento em um intervalo especificado. A variável aleatória X é o número de
ocorrências do evento em um intervalo. O intervalo pode ser o tempo, a distância, a área, o
volume ou outra unidade análoga. A probabilidade de o evento ocorrer x vezes em um intervalo
é dado a seguir

e  .x
P(x )  , para x = 0, 1, 2, ... ,
x!

onde  é a média de sucessos no intervalo considerado.

Observações: A média e a variância de uma distribuição Poisson é .

Exemplo 1: Se um banco recebe em média 6 cheques sem cobertura por dia, qual a probabilidade
de receber quatro cheques sem cobertura em um dia qualquer?

Exemplo 2: O número Y de pessoas que entram diariamente em uma unidade de tratamento

intensivo (UTI) de um hospital apresenta distribuição de Poisson, com média de 5 pessoas por
dia. Qual é a probabilidade de que o número de pessoas a entrar na UTI desse hospital, em um dia
particular, seja igual a 2? E inferior ou igual a 2?

Estatística II.................................................................................................................................................105
Exemplo 3: Uma companhia acusa uma média semanal de 0,2 acidentes que exigem cuidados
médicos. Determine a probabilidade de que, em uma semana qualquer, o número de acidentes
que exigem cuidado médico seja:

a. 0

b. 1

c. 2

Exercícios

1. Supondo que a tabela a seguir descreva uma distribuição de probabilidade, calcule sua média
e seu desvio-padrão.

x P(x)
0 0,0004
1 0,0094
2 0,0870
3 0,3562
4 0,5470

2. Se A e B são eventos independentes, P(A) = 0,20 e P(B) = 0,45, determine

a. P(A  B)

b. P(A/B)

c. P(B/A)

d. P(A’  B)

e. P(A  B’)

Estatística II.................................................................................................................................................106
3. Sabe-se que 20% dos animais submetidos a um certo tratamento não sobrevivem. Se esse
tratamento foi aplicado em 20 animais e se X é o número de não sobreviventes. Calcular:

a. P(2 < x  4)

b. P(x  2)

c. E(x) e V(x)

4. Sabe-se que uma moeda mostra a face cara o quádruplo de vezes do que a face coroa, quando
lançada. Esta moeda é lançada 6 vezes. Seja X o número de caras. Determine:

a. P(x  5)

b. P(1  x < 3)

5. Seja: B(10,2/5). Calcular:

a. P(x = 3)

b. P(x  4)

c. P(3 < x  5)

d. E(x) e V(x)

Estatística II.................................................................................................................................................107
6. Certo curso de treinamento aumenta a produtividade de uma certa população de funcionários
em 80% dos casos. Se 10 funcionários quaisquer participam deste curso, encontre a probabilidade
de exatamente 7 funcionários aumentarem a sua produtividade?

7. Na manufatura de certo artigo, é sabido que 1 entre 10 artigos é defeituoso. Qual a

probabilidade de que uma amostra casual de tamanho 4 contenha:

a. Exatamente dois defeituosos?

b. Nenhum defeituoso?

8. As probabilidades de uma pessoa que entra no mercado fazer 0, 1, 2, 3, 4 ou 5 compras são:

0,24 0,31 0,22 0,15 0,06 0,02

Qual o número esperado de compras a serem feitas por uma pessoa que entra naquele mercado.

9. Prepara-se um exame para admissão no serviço público, de forma que 80% de todos que
tenham um diploma de curso secundário tenham chance de ser aprovados. Determine as
probabilidades de que, dentre 14 pessoas com diploma de curso secundário,

a. Exatamente 12 sejam aprovadas

b. Sejam aprovadas de 8 a 12 pessoas

10. A fim de verificar a precisão de sua situação financeira, as companhias utilizam auditores,
que verificam a escrita. Suponha que os empregados de uma companhia executem recebimentos
errados 5% das vezes. Se um auditor examina aleatoriamente, 3 recebimentos:

a. Calcule a distribuição de y, o número de erros detectados pelo auditor

b. Calcule a probabilidade de o auditor detectar mais de um erro

Estatística II.................................................................................................................................................108
12.6.3 Distribuição Normal

A distribuição Normal é a mais importante distribuição de probabilidade para descrever

variáveis aleatórias contínuas. Isto justifica-se pelo grande número de aplicações que a utilizam
tais como, altura, pressão arterial, temperatura corporal medidas de testes psicológicos, valores
da hemoglobina, em pacientes sadios, pressão arterial sistólica, etc. Além disso, pela sua
capacidade de aproximar outras distribuições e também pela grande aplicação na inferência
estatística.

A variável aleatória contínua com distribuição Normal tem função densidade de

probabilidade dada por:
2
 x  
1 2
f x   e 2
2 

em que os parâmetros  (lê-se mi) e  (lê-se sigma) representam a média e o desvio-padrão,

respectivamente.

Algumas características da distribuição normal são:

 A curva normal tem forma de sino, é simétrica em relação à média, como representada na
Figura 12.1;

 A média, mediana e a moda são valores coincidentes;

 A variável aleatória X associada a sua distribuição varia de - < x < +.

Figura 12.1

Estatística II.................................................................................................................................................109
 Para o cálculo das probabilidades, surgem dois problemas: primeiro, a integração de f(x),
pois para a sua resolução é necessário o desenvolvimento em séries, segundo, seria a elaboração
de uma tabela de probabilidades, pois f(x) depende das combinações da média e variância. Para
resolver esses problemas, optou-se por uma mudança de variável obtendo-se, assim, a
distribuição normal padronizada que chamamos aqui de Z.

12.6.4 Distribuição Normal Padrão

Denomina-se distribuição Normal padrão à distribuição normal de média zero e variância

1, usaremos a notação Z ~ N (0,1). As probabilidades associadas à distribuição normal padrão
são apresentadas em tabelas.
Os problemas da vida real, entretanto, não se apresentam já na forma da Normal padrão,
ao contrário, são formulados em termos da variável normal original X, com média  e desvio-
padrão . É preciso então, antes de passarmos à sua resolução, padronizar a v.a. normal X,
transformando-a na v.a. Z.
O resultado da padronização é a obtenção de uma escala de distribuição denominada
escala reduzida, escala Z ou escore Z, que mede o afastamento das variáveis em relação à média
em número de desvios-padrão.

x  
Z 


Z = número de desvios padrões a contar da média

x = valor qualquer da v.a.
 = média da distribuição
 = desvio padrão da distribuição

A tabela que iremos utilizar fornece a probabilidade de Z tomar um valor não superior a
z. Veja a Figura 12.2.

Figura 12.2

Estatística II.................................................................................................................................................110
 Uso da Tabela da Normal Padrão

 P (Z  1)

 P (Z  -1)

 P (Z  1,72)

 P (Z  -0,53)

 P (-1  Z  1)

 P (1  Z  2)

 P (0,7  Z  1,35)

 P (Z  2,33)

 P (Z  1,8)

Freqüentemente, tem-se interesse nos intervalos cujos limites são média  1 desvio-
padrão, média  2 desvios-padrão, média  3 desvios-padrão. Em uma distribuição gaussiana,
cerca de 68,27% da população apresenta resultado entre a média e o desvio-padrão;
aproximadamente 95,45% entre a média e 2 desvios-padrão e praticamente toda a população
(99,73%) entre a média e 3 desvios-padrão.

Estatística II.................................................................................................................................................111
Exemplo 1: As vendas diárias de um pequeno restaurante têm distribuição normal, com média
igual R$ 530,00 por dia e desvio-padrão igual a R$ 120,00. Qual é a probabilidade das vendas
excederem R$ 700,00 em determinado dia?

Exemplo 2: Se uma v.a. tem distribuição normal, com média de 80,0 e desvio-padrão de 4,8,
determine a probabilidade de ela assumir um valor:

a. inferior a 87,2

b. superior a 76,4

c. entre 81,2 e 86,0

d. entre 71,6 e 88,4

Estatística II.................................................................................................................................................112
Exemplo 3: A tabela de áreas sob a curva normal fornece-nos:

a. P (0  Z  1)

b. P (1  Z  2)

c. P (-1  Z  2) =

Exemplo 4: Sendo X: N(50,16), determinar X tal que P (X  X ) = 0,99

Estatística II.................................................................................................................................................113
 Exercícios:

1. Dada uma v.a. X com distribuição normal de média  e desvio padrão . Qual é a
porcentagem de valores no intervalo [ - 2,  + 2].

2. Uma indústria produz xícaras com peso médio de 250 g e desvio-padrão de 5 g. Qual
probabilidade de uma xícara qualquer pesar:

a. Entre 245 g e 255 g?

b. Menos que 248 g?

c. Mais de 255 g?

d. Entre 240 g e 243 g?

e. Entre 253 g e 259 g?

Estatística II.................................................................................................................................................114
3. Os depósitos efetuados no Banco da Ribeira durante o mês de março último são distribuídos
normalmente, com média de 10000,00 u.m. e desvio-padrão de 1500,00 u.m.. Um depósito é
selecionado ao acaso, dos depósitos referentes ao mês em questão. Encontrar a probabilidade de
que o depósito seja:

a. 10000,00 u.m. ou menos

b. Entre 12000,00 u.m. e 15000,00 u.m.

c. Maior que 14000,00 u.m.

4. Estudos têm mostrado que o consumo de gasolina por carros compactos vendidos nos Estados
Unidos tem distribuição normal, com média de 25,5 milhas/galão e desvio-padrão de 4,5
milhas/galão. Que percentagem desses carros compactos permite consumir 30 ou mais
milhas/galão?

5. Retorne ao exercício 4. Se o fabricante desejar desenvolver um modelo compacto capaz de um

desempenho que leve a 95% de economia de gasolina, que taxa de consumo de gasolina
apresentará esse novo modelo?

Estatística II.................................................................................................................................................115