Introdução:

Os fenômenos estudados pela estatística são fenômenos cujo resultado,

mesmo em condições normais de experimentação, varia de uma observação para
outra, dificultando dessa maneira a previsão de um resultado.

A observação de um fenômeno casual é recurso notável para se entender a

variabilidade deste fenômeno. Porém, com suposições adequadas e sem observar
diretamente o fenômeno, é possível criar um modelo teórico que reproduza de forma
bastante satisfatória a distribuição das frequências quando o fenômeno é observado
diretamente. Estes modelos são os chamados modelos de probabilidades.

Podemos considerar os experimentos aleatórios como fenômenos produzidos

pelo homem, como:
 Lançamento de uma moeda;
 Lançamento de um dado;
 Retirada de uma carta de um baralho.

Para a explicação desses fenômenos (fenômenos aleatórios), adota-se um

modelo matemático probabilístico.
1. Distribuição binominal:

Entende-se por distribuição binomial como sendo aquela em que os termos

da expansão do binômio correspondem ás probabilidade de todos os eventos
possíveis do espaço amostral. O binômio é formado pelas probabilidades de cada
acontecimento elevado ao número total de ocorrências.

1.1. Características:

Para que tenha distribuição binominal é necessário que:

1. Experimento ser realizado em repetições;

2. Repetir uma quantia fixa de vezes, denotada por n;
3. Estas repetições serem independente;
4. Ter uma variável aleatória, digamos X, cuja lei de formação é a quantia de
sucessos nas nª repetições.

1.2. Função geratriz:

𝑓(𝑥) = 𝑃(𝑋 = 𝐾) = (𝑛𝑘). 𝑝𝑘 . 𝑞 𝑛−𝑘

1.3. Principais propriedades:

 Média:
𝑛
𝜇 = (𝑋) = ∑ 𝑥. 𝑓(𝑥) = ∑ 𝑥 (𝑘) . 𝑝 𝑥 . 𝑞 𝑛−𝑥 = 𝑛. 𝑝 , isto é, a média de uma variável
aleatória com distribuição binominal é igual ao produto dos parâmetros ‘’n’’ e ‘’p’’.

 Variância:

𝜎 2 = 𝐸(𝑋 2 ) − 𝜇 2 = ∑ 𝑥 2 . (𝑛𝑥) . 𝑝 𝑥 . 𝑞 𝑛−1 − (𝑛𝑝)2 = 𝑛𝑝𝑞 , isto é, a variância de uma

variável aleatória com distribuição binominal é igual ao produto dos parâmetros ‘’n’’ e
‘’p’’ e multiplicados ainda por ‘’q’’.

 Desvio padrão:

𝜎 = √𝑛𝑝𝑞

1.4. Aplicações:

1) A probabilidade de um exemplar defeituoso com que opera certo processo

produto é de 10%. Considerando X a variável “número de unidades defeituosas em
uma amostra ocasional de 20 unidades”, determinar:
a) O número médio de item defeituoso na amostra.
b) O desvio padrão do número de item defeituoso na amostra.
Solução:
a) E(X)=n.p= 20 x 0,10 = 2 itens defeituosos
b) 𝜎 = √npq = √20x0,10x0,90 = 𝟏, 𝟑𝟒 itens defeituosos

2) Num determinado processo de fabricação 10% das peças são consideradas

defeituosas. As peças são acondicionadas em caixas com 5 unidades cada uma.
Qual a probabilidade de haver exatamente 3 peças defeituosas numa caixa ?

Solução:
P(X=3)= (53). (0,10)3 . (0,90)2 = 𝟎, 𝟖𝟏%
2. Distribuição multinominal:

A Distribuição multinomial é uma extensão da Distribuição Binomial. O

experimento Binomial passa a ser multinomial quando em cada evento ou tentativa,
tivermos mais de dois possíveis resultados de interesse. Podemos citar como
exemplo um evento que tem mais de três possíveis resultados, como a classificação
de um produto em: normal, defeituoso ou recuperável.

2.1. Características:

 O experimento consiste de n tentativas repetidas;

 Cada tentativa tem um número discreto resultados possíveis;
 Em qualquer tentativa dada, a probabilidade de que um particular resultado
ocorrerá é constante;
 As tentativas são independentes;
 Cada tentativa pode ter dois ou mais resultados possíveis.

2.2. Função geratriz:

Considere um experimento dividido em ensaios independentes, no qual

cada ensaio resulta em um número finito de valores possíveis com

probabilidades (de modo que para e ).

Tomando a variável aleatória que representa o número de vezes que o índice foi
observado nos ensaios, o vetor segue uma distribuição
multinomial com parâmetros e onde .

Com isso, sua distribuição de probabilidade é dada por:

Se então sua função geradora de momentos é dada

por:

O valor esperado do número de vezes em que o índice é observado é dado por:

E a variância:
2.3. Principais propriedades:

Tabela 01 - Propriedades da distribuição multinomial.

Média μ=E(Xi )=npi
Variância σ²=npi (1-pi )
Desvio-padrão
σ=√npi (1-pi )

𝑛 𝑛
Função Geratriz
𝑡𝑖
M(t)= (∑ 𝑝𝑖𝑒 )
𝑖=1

Fonte: Probabilidade e Estatística (Ed. McGraw-Hill, 1997).

2.4. Aplicações práticas:

1) Suponha que numa linha de produção a probabilidade de se obter uma peça

defeituosa (sucesso) é . Toma-se uma amostra de 10 peças para serem
inspecionadas. Qual a probabilidade de se obter:
a) Uma peça defeituosa?
b) Nenhuma peça defeituosa?
c) Duas peças defeituosas?
d) No mínimo duas peças defeituosas?
e) No máximo duas peças defeituosas?

Solução:

a) .

b) .

c) .

d) .

e) .
.

2) Uma urna tem 6 bolas brancas, 4 pretas e 5 azuis. Retiram-se 8 bolas com
reposição. Qual a probabilidade de sair 4 bolas brancas, 2 pretas e 2 azuis?
Solução:
P1 = P(B) = 6/15 = 2/5
P2 = P(P) = 4/15
P3 = P (A) = 5/15 = 1/3

X1 = saída de 4 bolas brancas

X2 = saída de 2 bolas pretas
X3 = saída de 2 bolas azuis

P(x1 = 4, X2 = 2, X3 = 2) = 8!/4!2!2! (2/5)4 . (4/15)2 . (1/3)2 = 0,084954074

4. Distribuição de Poisson:

4.1. Características:
Modelo de distribuição discreta univariada desenvolvida por S.D. Poisson,
publicada em 1838. Através do qual é possível descrever um grande conjunto de
fenômenos aleatórios em que os acontecimentos se repetem no tempo ou no
espaço.
Quanto às características desta distribuição foi postulado que para que a
variável discreta (número de ocorrências por unidade de tempo) seja uma
distribuição de Poisson deve apresentar as quatro condições descritas a seguir:
 Os números de ocorrências registrados nos intervalos da partição são
independentes entre si;
 A distribuição do número de ocorrências em cada intervalo é a mesma para
todos os intervalos;
 A probabilidade de se registrar uma ocorrência num intervalo qualquer de
dimensão Δt, ΔΡ1, é praticamente proporcional à dimensão do intervalo, ou
seja, ΔΡ1= λ.Δt;
 A probabilidade de se registrarem duas, três, ou mais ocorrências num
intervalo qualquer de dimensão Δt, ΔΡn (n≥2) é desprezível quando
comparada com a probabilidade ΔΡ1.

4.2. Função geratriz:

Para simplificar, irá definir a distribuição de Poisson apenas para o caso em
que se adota que as ocorrências do fenômeno aleatório se repetem ao longo do
tempo.
A partir disso, pode estabelecer-se a forma funcional da distribuição de
Poisson. Considerando a probabilidade de se registrarem y ocorrências no intervalo
[0,t] é dada por:
(𝜆 ∙ 𝑡)𝑦
𝑝𝑦 (𝑡) = 𝑒 −𝜆𝑡
𝑦!
Esta expressão define a função de probabilidade de uma variável aleatória y
(y=0,1,2,...), seguindo uma distribuição de Poisson com parâmetro 𝜆 ∙ 𝑡. O número
médio de ocorrências por unidade de tempo, ou seja, a taxa média de ocorrências, é
dada por: 𝜆 = 𝜇𝑌 (𝑡)/𝑡.
𝑒 −𝜆 ∙ 𝜆𝑦
𝑝𝑦 (𝑦) =
𝑦!
 4.3. Principais propriedades
Tabela 02 – Propriedades da distribuição de Poisson.
Média µ= 𝜆
Variância σ² = 𝜆
Desvio-padrão σ = √𝜆

Coeficiente de assimetria α3 = 1/√𝜆

Coeficiente de achatamento α4 = 3 + (1/𝜆)

𝑡 −1)
Função Geratriz M(t)=𝑒 𝜆(𝑒
Função Característica 𝑖𝜔−1)
ϕ(ω)=𝑒 𝜆(𝑒
Fonte: Probabilidade e Estatística (Ed. McGraw-Hill, 1997).

4.4. Aplicações práticas:

1) Um departamento de polícia recebe em média 5 solicitações por hora. Qual a

probabilidade de receber 2 solicitações numa hora selecionada aleatoriamente?

Solução:
y = número designado de sucessos = 2
λ = o número médio de sucessos num intervalo específico (uma hora) = 5

𝑒 −𝜆 ∙ 𝜆𝑦
𝑝𝑦 (𝑦) =
𝑦!
𝑒 ∙ 52
−5
𝑃(2) =
2!
𝑃(2) = 0,0842 → 𝑷(𝟐) = 𝟖, 𝟒𝟐%

2) A chegada de ônibus em um terminal acontece a razão de 3 por minuto. Supondo

que tenha uma distribuição de Poisson, determine a probabilidade de chegarem
exatamente 8 ônibus em 2 minutos.

Solução:
λ=3 ônibus/min
Y: número de ônibus que chegam no terminal num intervalo de tempo (t).

𝑒 −𝜆 ∙ 𝜆𝑦
𝑝𝑦 (𝑦) =
𝑦!
𝑒 ∙ 68
−6
𝑃(3) =
8!
𝑷(𝟑) = 𝟎, 𝟏𝟎𝟑𝟑
4. Distribuição normal:

4.1. Características:
 A curva normal tem forma de sino;
 É simétrica em relação à média;
 Prolonga-se de menos infinito o mais infinito (apenas em teoria) (assintótica);
 Fica completamente especificada por sua média e seu desvio padrão; há uma
distribuição normal para cada par (média e desvio padrão);
 A área total sob a curva é considerada 100% ou igual a um;
 A área sob a curva entre dois pontos é a probabilidade de uma variável
normalmente distribuída tomar um valor entre esses pontos;
 A probabilidade de uma variável aleatória normalmente distribuída tomar
exatamente determinado valor (pontual) é zero (característica da distribuição
continua);
 A área sob a curva entre a média e um ponto arbitrário é função do número
de desvios padrões entre a média e aquele ponto.

4.2. Função geratriz:

A função geratriz de momentos para uma variável aleatória com distribuição
normal. Inicialmente, trata-se do caso em que a variável possui uma distribuição
padronizada para tratar do caso geral posteriormente. Portanto, considera-se
inicialmente que . Então sua função geradora de momentos é dada por:

De onde se conclui que:

Agora calcular-se a função geradora de momentos para uma variável

aleatória Z, tal que . Lembrando de que com .
Assim

Se tem distribuição Normal, pode-se calcular o valor esperado de a partir

da função geradora de momentos.

E assim:
 Calcula-se a variância de utilizando a função geradora de momentos.

Desta forma temos que:

E, portanto:

4.3. Principais propriedades:

4.4. Aplicações práticas:

1) Um criador de suínos constatou que o peso médio de 800 animais era de 64 kg, e
desvio-padrão de 15 kg. Caso esse peso esteja distribuído de forma normal, quantos
porcos pesarão entre 42 kg e 73 kg?

Solução:
µ = 64 e σ = 15
𝑋−𝜇
𝑍= ~ 𝑁(0, 1)
𝜎
𝑋 − 64
𝑍𝑖 =
15

42 − 64
𝑍42 = = −1,47
15

73 − 64
𝑍73 = = 0,6
15

𝑃(−1,47 ≤ 𝑍 ≤ 0,6) = 𝑃(𝑍 ≤ 0,6) − 𝑃(𝑍 ≤ −1,47) = 0,7257 − 0,4292

𝑃(−1,47 ≤ 𝑍 ≤ 0,6) = 𝟎, 𝟐𝟔𝟔𝟓 ≈ 𝟐𝟑𝟕

2) Um governador, pretendendo melhorar as condições do transporte público,

solicitou um estudo sobre o tempo de espera diário por coletivos em uma região
metropolitana. Os dados mostraram que, obedecendo a uma distribuição normal, a
média de espera é de 40 min., com desvio-padrão de 12 min. Quantos minutos por
dia esperam os 10% de usuários que mais usam o sistema de transporte público?

Solução:
A variável padronizada para os 10% (0,1) é Z = 1,2816.
µ = 40 min. e σ = 12 min.
𝑋−𝜇
𝑍= ~ 𝑁(0, 1)
𝜎
𝑋 − 40
𝑍= = 1,2816
12
𝑋 = 40 + 12(1,2816) = 𝟓𝟓, 𝟑𝟖 min.
Lista de atividades:

1)
a) P = 1/5 = 0,2
n=6
q=1-p= 0,8
k=3

𝑃(𝑥 = 𝑘) = (𝑛𝑘). 𝑝𝑘 . 𝑞 𝑛−𝑘

𝑃(𝑥 = 3) = (63). 0,23 . 0,83
P(x = 3) = 8,1%

b) E(x)= n.p
E(x)= 6.0,2
E(x)=1,2

2) P=0,7
N=6
Q=0,3
K=0

𝑃(𝑥 = 0) = (60). 0,70 . 0,36

𝑷(𝒙 = 𝟎) = 𝟎, 𝟎𝟕%

3)
P(2,2,1) = (7!/2! 2! 1!).(2/7)².(2/5)².(1/3)²
P(2,2,1) = (210).(4/49).(4/25).(1/9)
P(2,2,1) = 0,304761

4)
X1 = lâmpadas verdes = 40% = 0,4
X2 = lâmpadas azuis = 30% = 0,3
X3 = lâmpadas amarelas = 30% = 0,3

N1 = verdes = 2
N2 = azuis = 2
N3 = amarelas = 1

P(2,2,1) = (5!/2! 2! 1!).(0,4)².(0,3)².(0,3)²

P(2,2,1) = (30).(0,16).(0,09).(0,09)
P(2,2,1) = 0,0388
 1
5) λ = 500 = 0,000
𝑦 =0𝑒1
𝑡 = 3000

(λt)𝑦
𝑃 = 𝑒 −λt
𝑦!
−0,0002∙3000
(0,0002 ∙ 3000)0
𝑃(0) = 𝑒
0!
𝑃(0) = 0,5488

(0,0002 ∙ 3000)1
𝑃(1) = 𝑒 −0,0002∙3000
1!
𝑃(1) = 0,3293

𝑃 = 𝑃(0) + 𝑃(1)
𝑃 = 0,5488 + 0,3293
𝑷 = 𝟎, 𝟖𝟕𝟖𝟏

6)
1
a) λ = 200 = 0,005
𝑦=0
𝑡 = 20

(λt)𝑦
𝑃 = 𝑒 −λt
𝑦!
(0,005 ∙ 20)0
𝑃(0) = 𝑒 −0,005∙20
0!
𝑃(0) = 0,9048 → 𝑷(𝟎) = 𝟗𝟎, 𝟒𝟖%

1
b) λ = 200 = 0,005
𝑦=1
𝑡 = 10 ∙ 20 = 200

(λt)𝑦
𝑃 = 𝑒 −λt
𝑦!
(0,005 ∙ 200)1
−0,005∙200
𝑃(1) = 𝑒
1!
𝑃(1) = 0,3679 → 𝑷(𝟏) = 𝟑𝟔, 𝟕𝟗%

7)
a)
 𝑋1 − 𝑋̅
𝑍1 =
𝜎
700 − 800
𝑍1 =
50
𝒁𝟏 = −𝟐

𝑋2 − 𝑋̅
𝑍2 =
𝜎
900 − 800
𝑍2 =
50
𝒁𝟐 = 𝟐

𝑃(0<X<2)=0,47
𝑃(−2<x<2)=𝑃(-2<x<0)+𝑃(0<x<2)
𝑃(0<x<2)+𝑃(0<x<2)=0,47+0,47=0,94

b)
𝑥 (𝑋−𝜇)2
1 −
𝐹(𝑥) = ∫ ( 𝑒 2𝜎2 )𝑑𝑥
0 𝜎√2𝜋

850 (𝑥−800)²
1 −
𝐹(𝑥) = ∫ 𝑒 2.50² 𝑑𝑥
0 50√2𝜋

𝑭(𝟖𝟓𝟎) = 𝟎, 𝟎𝟎𝟒𝟖

8)
6 𝑝𝑟𝑜𝑑𝑢𝑡𝑜𝑠
𝜇 = 20𝑔 . 6 = 120𝑔
𝜎 = 2𝑔 . 6 = 12𝑔

𝐸𝑚𝑏𝑎𝑙𝑎𝑔𝑒𝑚
µ = 30𝑔
𝜎 2 = 25𝑔
Total: µ = 150𝑔 𝜎 = 37𝑔
X− µ
Z=
𝜎
163 − 150
Z= = 0,35
37

P(Z<0,35) = 1 - 0,1368 = 0,8632

Referências bibliográficas:

Lorí Viali. Probabilidade. Disponível em:

<http://www.mat.ufrgs.br/~viali/sociais/mat02214/material/apostilas/PROSociais.pdf>
Acesso em: 08 de junho de 2015.

GUIMARÃES, Rui Campos; CABRAL, José A. Sarsfield. Estatística. São Paulo:

McGraw-Hill, 1997.

SPIEGEL, Murray Ralph. Probabilidade de Estatística. São Paulo:

McGraw-Hill, 1978 (Coleção Schaum).