Distribuição de Probabilidade

Universidade Estadual de Goiás
Campus Anápolis - CET

Engenharia Agrícola
Distribuições de Probabilidade
DISTRIBUIÇÕES DE
PROBABILIDADE
Prof. Itamar R. Teixeira
Anápolis-GO
ESTATÍSTICA PARA ENGENHARIA 1
Introdução
Uma distribuição de probabilidade é o elo
matemático que relaciona um certo valor da variável
em estudo com a sua probabilidade de ocorrência.
Há dois tipos de distribuição de probabilidade:

1. Distribuições Discretas: Quando a variável que está
sendo medida só pode assumir certos valores, como
por exemplo os valores inteiros: 0, 1, 2, etc.
2. Distribuições Contínuas: Quando a variável que
está sendo medida é expressa em uma escala
contínua, como no caso de uma característica
dimensional.

Introdução
No caso de distribuições discretas (distribuição
ominal e e distribuição Poisson), a probabilidade de
que a variável X assuma um valor específico xo é
dada por: P(X = xo ) = P( xo )
No caso de variáveis contínuas (distribuição normal),

as probabilidades são especificadas em termos de
intervalos, pois a probabilidade associada a um
número específico é zero.
P a  X  b  a f ( x) dx
b
Discreta Contínua

Distribuições Discretas Mais Importantes
Distribuição Binomial
Distribuição de Poisson

A distribuição binomial é adequada para descrever
situações em que os resultados de uma variável
aleatória podem ser agrupados em apenas duas
classes ou categorias.
As categorias devem ser mutuamente excludentes, de
forma que não haja dúvidas na classificação do
resultado da variável nas categorias e coletivamente
exaustivas, de forma que não seja possível nenhum
outro resultado diferente das categorias.
Por exemplo, um produto manufaturado pode ser
classificado como perfeito ou defeituoso, a resposta
de um questionário pode ser verdadeira ou falsa, as
chamadas telefônicas podem ser locais ou
interurbanas.
Mesmo variáveis contínuas podem ser divididas em
duas categorias, como por exemplo, a velocidade de
um automóvel pode ser classificada como dentro ou
fora do limite legal.
Geralmente, denomina-se as duas categorias como

sucesso ou falha. Como as duas categorias são
mutuamente excludentes e coletivamente exaustivas:
P ( sucesso )  P ( falha )  1
Conseqüentemente, sabendo-se que, por exemplo, a
probabilidade de sucesso é P(sucesso) = 0,6, a
probabilidade de falha é P(falha) = 1-0,6 = 0,4.

Condições de aplicação:
 são feitas n repetições do experimento, onde n
é uma constante;
 há apenas dois resultados possíveis em cada
repetição, denominados sucesso e falha
 a probabilidade de sucesso (p) e de falha (1- p)
permanecem constante em todas as repetições;
 as repetições são independentes, ou seja, o
resultado de uma repetição não é influenciado
por outros resultados.

Os parâmetros da distribuição Binomial são n e p.

A média e a variância são calculadas como:
média =  = np
2 = np(1 - p)
A distribuição Binomial é usada com freqüência no
controle de qualidade quando a amostragem é feita
sobre uma população infinita ou muito grande.
Nas aplicações de controle da qualidade, x em geral

representa o número de defeituosos observados em
uma amostra de n itens.

Formula geral:
P = CN,K . (S)K . (F)N-K
Em que:
P = Probabilidade
C = Combinação
N = Número total
K = Número de sucesso
S = Sucesso
F = Fracasso
Um casal decidiu que terá cinco filhos. Qual a

probalidade de ter 2 filhos?
F M F F M
P = CN,K . (S)K . (F)N-K 1/2 1/2 1/2 1/2 1/2
P = Probabilidade Regra da multiplicação

C = Combinação
N = Número total M F
K = Número de sucesso P= ½*½*½*½ *½
S = Sucesso
F = Fracasso
P = C5,2 . (1/2)2 . (1/2)3

Exemplo 1.
• Se em uma prova, em que cada questão tem quatro
opções de resposta, o candidato escolhe ao acaso
uma única resposta para uma das quatro primeiras
questões, qual será a probabilidade deste candidato
acerta duas questões?
P = CN,K . (S)K . (F)N-K A B C D

P = Probabilidade
C = Combinação
N = Número total
S = Sucesso
F = Fracasso
P = C4,2 . (1/4)2 . (3/4)2
P = 4,3/2.1 . (1/16) . (9/16)
P = 12/2 . 9/256
P
= 6. 0,03516 = 0,2111 * 100
Exemplo 2.
Em um determinado município, 70% da população é
favorável a um certo projeto. Se uma amostra aleatória
de cinco pessoas for selecionada, qual a probabilidade
de exatamente três pessoas serem favoráveis ao

projeto?
P = CN,K . (S) . (F)
K N-K
Favorável ao projeto: 70%
P = Probabilidade Amostra: 5 pessoas
C = Combinação
N = Número total
S = Sucesso
F = Fracasso
P = C5,3 . (70%)3 . (30%)2

P = C5.4.3/3.2.1 . (0,7%)3 . (0,3%)2
P = 60/6 . 0,343 . 0,09
P = 10 . 0,343 . 0,09 = 0,3087*100
P = 30,87%
Exemplo 3.
Na população brasileira verificou-se que a
probabilidade de ocorrer determinada variação
genética é de 1%. Ao se examinar ao acaso três
pessoas desta população, qual o valor mais próximo

da probabilidade de exatamente uma pessoa
examinada possuir uma variação genética?
P = CN,K . (S)K . (F)N-K
P = Probabilidade P = Probabilidade
C = Combinação C = Combinação
N = Número total N = Número total
K = Número de sucesso K = Número de sucesso
S = Sucesso S = Sucesso
F = Fracasso F = Fracasso
P = C3,1 . (1%)1 . (99%)2

P = 3 . 0,001 . (0,99)2
P = 0,03 . 0,980
P = 0,0294 * 100 = 2,94%
A distribuição de Poisson é adequada para descrever
situações onde existe uma probabilidade de
ocorrência em um campo ou intervalo contínuo,
geralmente tempo ou área.

Por exemplo, o no de acidentes por mês, no de
defeitos por metro quadrado, no de clientes atendidos
por hora.
Nota-se que a variável aleatória é discreta (número de
ocorrência), no entanto a unidade de medida é
contínua (tempo, área).
Além disso, as falhas não são contáveis, pois não é
possível contar o número de acidentes que não
ocorreram, nem tampouco o número de defeitos que
não ocorreram.

Condições de aplicação:
 o número de ocorrências durante qualquer

intervalo depende somente da extensão do

intervalo;
 as ocorrências ocorrem independentemente, ou
seja, um excesso ou falta de ocorrências em
algum intervalo não exerce efeito sobre o
número de ocorrências em outro intervalo;
 a possibilidade de duas ou mais ocorrências
acontecerem em um pequeno intervalo é muito
pequena quando comparada à de uma única
ocorrência.

A distribuição de Poisson fica completamente
caracterizada por um único parâmetro (lambida) que
representa a taxa média de ocorrência por unidade de
medida.
A equação para calcular a probabilidade de x ocorrências é

dada por:
e  x x = 0, 1, ...,n
P( x )  em que: x = número de sucessos
x! número médio de sucessos num intervalo

e = número de Euler (2,718...)
A média e a variância da distribu ição de Poisson são:

=
² =  ²
Exemplo 1
Em uma determinada loja entram, em média, 5 pessoas as

cada 10 minutos. Qual a probabilidade de entrarem 4
pessoal na loja em um período de 10 minutos?

e   x
P( x) 
x! 
x = número de sucessos
número médio de sucessos num intervalo x=4
e = número de Euler (2,718...) e = 2,718
P (x = 4) = e-5 .  / 4!
P (x = 4) = e-5 . 625/ 24
P (x = 4) = 17,5%

Exemplo 2.
Em uma determinada farmácia entram, em média, 5
pessoas as cada 10 minutos. Qual a probabilidade de
entrarem 2 pessoal na loja em um período de 10 minutos?
e   x
P( x) 
x! 
x = número de sucessos
número médio de sucessos num intervalo x=2
e = número de Euler (2,718...) e = 2,718
P (x = 2) = e-5 .  / 2!
P (x = 2) = e-5 . 25/ 2
P (x = 2) = 8,4%

Distribuições Normal
A distribuição Normal é a mais importante das
distribuições estatísticas, tanto na teoria como na
prática:
 Representa a distribuição de freqüência de muitos

fenômenos naturais;
 Serve como aproximação da distribuição Binomial,
quando n é grande;
 As médias e as proporções de grandes amostras
seguem a distribuição Normal (Teorema do Limite
Central).

A distribuição Normal é em forma de sino, unimodal,
simétrica em relação à sua média e tende cada vez
mais ao eixo horizontal à medida que se afasta da
média.
Ou seja, teoricamente os valores da variável aleatória

podem variar de - a +.
A área abaixo da curva Normal representa 100% de
probabilidade associada a uma variável.
A probabilidade de uma variável aleatória tomar um
valor entre dois pontos quaisquer é igual à área
compreendida entre esses dois pontos.

A área total abaixo da curva é considerada como 100%.
Isto é, a área total abaixo da curva é 1.
á re a = 1
á r e a = 0 ,5 á re a = 0 ,5

99,73%
Percentuais da
distribuição 95,44%
Normal:
68,26%
2 7 .6 2 7 .8 28 2 8 .2 2 8 .4 2 8 .6 2 8 .8 29 2 9 .2
-1 +1
-2 +2
-3 +3

A distribuição Normal fica completamente

caracterizada por dois parâmetros: a média e o
desvio-padrão.
Ou seja, diferentes médias e desvio-padrões originam
curvas normais distintas, como se pode visualizar nos
exemplos contidos na tabela abaixo onde há
amostras provenientes de distribuições com média e
desvios-padrões distintos.

f(x)
A B
a) da distribuição A para B muda a tendência

central, mas a variabilidade é constante;
b) da distribuição A para C muda a variabilidade,
mas a tendência central é constante;
c) da distribuição B para C muda a tendência central
e a variabilidade.
Uma conseqüência importante do fato de uma
distribuição Normal ser completamente caracterizada
por sua média e desvio-padrão é que a área sob a
curva entre um ponto qualquer e a média é função
somente do número de desvios-padrões que o ponto

está distante da média.
Como existem uma infinidade de distribuições

normais (uma para cada média e desvio-padrão),
transformamos a unidade estudada seja ela qual for
(peso, espessura, tempo, etc.) na unidade Z, que
indica o número de desvios-padrão a contar da média.

Dessa forma, o cálculo de probabilidades (área sob a

curva) pode ser realizado através de uma distribuição
Normal padronizada, onde o parâmetro é a variável

reduzida Z.
A distribuição Normal pode ser representada por uma

equação matemática dada por:
1  x  2
1   
f ( x)  e 
2  
 2

A distribuição Normal acumulada é obtida calculando a
probabilidade de X ser menor que um dado valor x:
x
P( X  x )  F ( x )   f ( x) dx

A solução está apresentada em tabelas da distribuição

Normal padronizada onde se entra com a variável reduzida
Z (número de desvios-padrões distantes da média) e
encontra-se F(Z) ou vice-versa.
 x 
P X  x  P Z    F ( Z )  Tabelado
  
Distribuição Normal
A variável reduzida mede a magnitude do desvio em
relação à média, em unidades de desvio padrão.
Z = 1,5 significa uma observação está desviada 1,5

desvios padrão para cima da média.
A variável reduzida é muito útil para comparar

distribuições e detectar dados atípicos.
Dados são considerados atípicos quando Z > 3.
XX
Z
S
Para sabermos o valor da probabilidade, utilizamos a
tabela da distribuição Normal. Essa tabela nos
fornece a área acumulada até o valor de Z
Á re a = 0 ,8 4
Z=1
1 ,0
0,84
0,0

As áreas correspondentes as probabilidades da distribuição
normal padrão estão tabeladas.
Z 0 .0 0 0 .0 1 0 .0 2 0 .0 3 0.04 0.05 0.0 6 0 .0 7 0 .0 8 0 .0 9
1 .0 0 .8 4 13 0 .8 4 3 8 0.84 6 1 0.84 8 5 0.8 50 8 0 .8 53 1 0 .8 55 4 0 .8 5 77 0 .8 5 99 0 .8 6 21

1 .1 0 .8 6 43 0 .8 6 6 5 0.86 8 6 0.87 0 8 0.8 72 9 0 .8 74 9 0 .8 77 0 0 .8 7 90 0 .8 8 10 0 .8 8 30
1 .2 0 .8 8 49 0 .8 8 6 9 0.88 8 8 0.89 0 7 0.8 92 5 0 .8 94 4 0 .8 96 2 0 .8 9 80 0 .8 9 97 0 .9 0 15
1 .3 0 .9 0 32 0 .9 0 4 9 0.90 6 6 0.90 8 2 0.9 09 9 0 .9 11 5 0 .9 13 1 0 .9 1 47 0 .9 1 62 0 .9 1 77
1 .4 0 .9 1 92 0 .9 2 0 7 0.92 2 2 0.92 3 6 0.9 25 1 0 .9 26 5 0 .9 27 8 0 .9 2 92 0 .9 3 06 0 .9 3 19
P r o b a b ilid a d e d e o c o r r ê n c ia d e v a lo r e s a b a ix o d e Z

O cálculo da variável reduzida Z faz uma
transformação dos valores reais em valores
codificados.
Essa transformação é feita descontando-se a média

para eliminar o efeito de localização (tendência
central) e dividindo-se pelo desvio-padrão para
eliminar o efeito de escala (variabilidade).
Uma vez calculada a variável reduzida Z, consulta-se
a tabela Normal padronizada para identificar a
probabilidade acumulada à esquerda de Z, ou seja, a
probabilidade de ocorrerem valores menores ou
iguais a um certo valor de Z consultado.

Exemplo 1: Suponha que o peso de um rolo de arame
seja normalmente distribuído com média 100 e
desvio-padrão 10. Então o peso está em torno de 100 a uma
distância as vezes maior, as vezes menor que 10.
x  1 11 00 0
Z = Z 1
 1 0
Queremos saber qual a probabilidade que um rolo,
pego ao acaso da produção, possuir peso menor ou
igual a 110: P( x <110) = P( Z < 1) = 0,8413

Se quiséssemos saber a probabilidade do peso do rolo ser
maior que 111,6, iniciamos calculando o valor de Z:
111,6  100
Z  1,16
10
Encontramos o valor de probabilidade 0,8770.

P( Z > 1,16) = 1 - P(Z < 1,16) = 1 - 0,8770 = 0,123

Da mesma forma, se quiséssemos a probabilidade do
peso estar entre 120 e 130, teríamos que fazer o
seguinte raciocínio:
P(120 < X < 130) = P(X <130) – P(X < 120) =

P(Z< 3) – P(Z< 2) =
0,9987 – 0,9772 = 0,0215
ou seja, 2,15% de chance de um rolo pesar entre 120 e
130

Exemplo 1: A resistência à tração do papel usado em
sacolas de super-mercado é uma característica de
qualidade importante.
Sabe-se que essa resistência segue um modelo

Normal com média 40 psi e desvio padrão 2 psi.
Se a especificação estabelece que a resistência deve
ser maior que 35 psi, qual a probabilidade que uma
sacola produzida com este material satisfaça a
especificação?

P X  35  1  P X  35
 35  40 
P X  35  P  Z    P Z  2,5
 2 

Exemplo 2: O diâmetro do eixo principal de um disco
rígido segue a distribuição Normal com média 25,08 in
e desvio padrão 0,05 in.
Se as especificações para esse eixo são 25,00  0,15

in, determine o percentual de unidades produzidas em
conformidades com as especificações.
P 24,85  x  25,15  P x  25,15  P x  24,85
 25,15  25,08   24,85  25,08 

 P Z    P  Z  
 0 ,05   0,05 
 P Z  1,40  P Z  4,60  0,9192  0,0000  0,9192

ou seja, 91,92% dentro das especificações(área cinza) e
8,08% fora das especificações.
LEI x LES
= 0 ,0 5
2 4 ,8 5 25 ,08 2 5 ,1 5

Exemplo 3: No exemplo anterior tem-se cerca de 8%
de unidades não-conformes, e essas unidades são
invariavelmente do tipo “eixo muito largo”.
Recalcule o percentual de unidades conformes se o

processo estivesse centrado em 25,00.
 25,15  25,00   24,85  25,00 

P Z    P  Z  
 0 , 05   0 , 05 
P Z  3,0  P Z  3,0  0,9987  0,00135  0,9973

Exemplo 4: Suponha que X  N (85; 9). Encontre um

valor limite x, tal que P{ X > x} = 0,05.
 x  85 
P{ X  x}  1  P{X  x}  1  P  Z    0,05
 9 
 x  85 
P Z    0,95
 9 

Fim

Distribuição de Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

Distribuição de Probabilidade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Distribuição de Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Estadual de Goiás

Campus Anápolis - CET

Prof. Itamar R. Teixeira

Há dois tipos de distribuição de probabilidade:

ESTATÍSTICA PARA ENGENHARIA 2

No caso de variáveis contínuas (distribuição normal),

ESTATÍSTICA PARA ENGENHARIA 3

ESTATÍSTICA PARA ENGENHARIA 4

fora do limite legal.

Geralmente, denomina-se as duas categorias como

ESTATÍSTICA PARA ENGENHARIA 6

ESTATÍSTICA PARA ENGENHARIA 7

Os parâmetros da distribuição Binomial são n e p.

Nas aplicações de controle da qualidade, x em geral

ESTATÍSTICA PARA ENGENHARIA 8

P = CN,K . (S)K . (F)N-K

Um casal decidiu que terá cinco filhos. Qual a

probalidade de ter 2 filhos?

P = Probabilidade Regra da multiplicação

P = C5,2 . (1/2)2 . (1/2)3

ESTATÍSTICA PARA ENGENHARIA 10

acerta duas questões?

P = CN,K . (S)K . (F)N-K A B C D

P = C4,2 . (1/4)2 . (3/4)2

P = 4,3/2.1 . (1/16) . (9/16)

de exatamente três pessoas serem favoráveis ao

P = C5,3 . (70%)3 . (30%)2

pessoas desta população, qual o valor mais próximo

P = C3,1 . (1%)1 . (99%)2

geralmente tempo ou área.

ESTATÍSTICA PARA ENGENHARIA 14

 o número de ocorrências durante qualquer

intervalo depende somente da extensão do

ESTATÍSTICA PARA ENGENHARIA 15

A equação para calcular a probabilidade de x ocorrências é

x! número médio de sucessos num intervalo

A média e a variância da distribu ição de Poisson são:

Em uma determinada loja entram, em média, 5 pessoas as

pessoal na loja em um período de 10 minutos?

ESTATÍSTICA PARA ENGENHARIA 17

ESTATÍSTICA PARA ENGENHARIA 18

 Representa a distribuição de freqüência de muitos

ESTATÍSTICA PARA ENGENHARIA 19

Ou seja, teoricamente os valores da variável aleatória

ESTATÍSTICA PARA ENGENHARIA 20

ESTATÍSTICA PARA ENGENHARIA 21

ESTATÍSTICA PARA ENGENHARIA 22

A distribuição Normal fica completamente

ESTATÍSTICA PARA ENGENHARIA 23

a) da distribuição A para B muda a tendência

somente do número de desvios-padrões que o ponto

Como existem uma infinidade de distribuições

ESTATÍSTICA PARA ENGENHARIA 25

Dessa forma, o cálculo de probabilidades (área sob a

Normal padronizada, onde o parâmetro é a variável

A distribuição Normal pode ser representada por uma

ESTATÍSTICA PARA ENGENHARIA 26

A solução está apresentada em tabelas da distribuição

Z = 1,5 significa uma observação está desviada 1,5