Logo Passei Direto
Buscar
Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

Conteudista
Prof. Me. Felipe Rocha Felix
Revisão Textual
Natalia Lotz Mendes
Estudo dos Modelos Teóricos de 
Probabilidade
2
Sumário
Objetivos da Unidade .......................................................................................... 3
Distribuições de Probabilidade .......................................................................... 4
Distribuição Binomial .......................................................................................... 5
Probabilidade Acumulada das Distribuições Binomial e Poisson ................ 16
Distribuição Normal .......................................................................................... 19
Probabilidade Acumulada da Distribuição Normal ....................................... 23
Percentis da Distribuição Normal Padrão ...................................................... 29
Em Síntese .......................................................................................................... 36
Material Complementar ................................................................................... 37
Autoatividade ..................................................................................................... 39
Referências ......................................................................................................... 40
Gabarito .............................................................................................................. 41
3
• Conhecer a distribuição binomial;
• Compreender o conceito de distribuição de Poisson;
• Explorar a probabilidade acumulada das distribuições binomial e de Poisson;
• Discorrer acerca da distribuição normal;
• Entender a probabilidade acumulada da distribuição normal.
Objetivos da Unidade
Este arquivo PDF contém o mesmo conteúdo visto on-line. Sua disponibili-
zação é para consulta off-line e possibilidade de impressão. No entanto, re-
comendamos que acesse o conteúdo on-line para melhor aproveitamento.
4
Distribuições de Probabilidade
As distribuições de probabilidade são ferramentas fundamentais na teoria das 
probabilidades e na análise estatística, pois permitem modelar e descrever o 
comportamento de variáveis aleatórias em diferentes cenários. Três das distri-
buições de probabilidade mais comumente utilizadas são a distribuição bino-
mial, a distribuição de Poisson e a distribuição normal.
A distribuição binomial é aplicada a situações em que uma variável alea-
tória discreta representa o número de sucessos em um determinado nú-
mero de ensaios independentes, cada um com a mesma probabilidade de 
sucesso. Essa distribuição é caracterizada por dois parâmetros: o número 
de ensaios (n) e a probabilidade de sucesso em cada ensaio (p). A proba-
bilidade de ocorrer um número específico de sucessos é calculada pela 
fórmula da distribuição binomial. A distribuição binomial é amplamente uti-
lizada em experimentos de Bernoulli, como lançamento de moedas, testes 
de hipóteses e estudos de amostragem;
Distribuição binomial
A distribuição de Poisson é adequada para modelar o número de eventos 
raros que ocorrem em um intervalo fixo de tempo ou espaço. Essa distri-
buição é caracterizada por um único parâmetro λ (lambda), que representa 
a taxa média de ocorrência desses eventos raros. A probabilidade de ocor-
rer um determinado número de eventos em um intervalo é calculada pela 
fórmula da distribuição de Poisson. A distribuição de Poisson é frequente-
mente aplicada em estudos de contagem de eventos, como o número de 
acidentes de trânsito em uma determinada região durante um período de 
tempo;
Distribuição de Poisson
5
A distribuição normal, também conhecida como distribuição gaussiana, é 
uma das distribuições mais importantes e amplamente utilizadas na estatís-
tica. Ela é caracterizada por sua forma de sino simétrica e é totalmente deter-
minada por dois parâmetros: a média (μ) e o desvio padrão (σ). A distribuição 
normal é aplicada a variáveis aleatórias contínuas que surgem naturalmente 
em muitos fenômenos, como altura, peso e resultados de medições científi-
cas. Ela desempenha um papel central em teoremas estatísticos fundamen-
tais, como o teorema do limite central, que estabelece que a soma de um 
grande número de variáveis aleatórias independentes, independentemente 
de sua distribuição original, se aproxima de uma distribuição normal.
Distribuição normal
Essas distribuições de probabilidade — binomial, de Poisson e normal — forne-
cem estruturas matemáticas que permitem modelar e compreender uma ampla 
variedade de fenômenos aleatórios. Cada uma delas possui características e apli-
cações específicas, o que proporciona uma base sólida para a análise de dados e 
a tomada de decisões embasadas em probabilidades. 
O conhecimento dessas distribuições é essencial para a compreensão dos con-
ceitos estatísticos e para a aplicação adequada das técnicas estatísticas em dife-
rentes áreas do conhecimento. É o que veremos na sequência.
Distribuição Binomial 
Para definir a distribuição binomial, deve-se observar as condições que devem 
ser satisfeitas para denominar o que é um experimento binomial:
1. O experimento consiste em uma sequência de n experimentos menores de-
nominados tentativas, onde “n” é estabelecido antes do experimento. Essas 
tentativas são independentes, ou seja, o resultado de qualquer tentativa 
particular não influencia o resultado de qualquer outra tentativa;
2. Cada tentativa pode resultar em um de dois resultados possíveis (tentativas 
dicotômicas), chamados de sucesso (S) com probabilidade p ou falha (F) e 
com probabilidade 1 – p. Onde denominamos a quantidade de sucessos por 
k, e quantidade de falhas de n – k. 
6
Sendo assim, a distribuição de probabilidade binomial é definida da seguinte 
forma:
P(x = k) = (n
K ) pk (1 - p)n-k
Isto significa a probabilidade de ocorrer o evento k vezes dentro de n tentativas. 
A variável aleatória X tem distribuição binomial, com parâmetros n e p, é indicado 
pela seguinte notação:
X ~ B(n, p)
Observe o exemplo a seguir.
Suponha que você esteja jogando 
uma moeda honesta e queira sa-
ber a probabilidade de obter exa-
tamente quatro vezes "cara" em 
um total de 10 lançamentos. Nesse 
caso, a distribuição binomial pode 
ser usada para calcular essa proba-
bilidade.
Os parâmetros necessários são o número de ensaios (n) e a probabilidade de su-
cesso em cada ensaio (p). No lançamento de uma moeda justa, a probabilidade 
de obter "cara" é de 0,5. 
Portanto, tem-se n = 10 (lançamentos) e p = 0,5 (probabilidade de "cara").
A probabilidade de obter exatamente quatro vezes "cara" em 10 lançamentos 
pode ser calculada usando a fórmula da distribuição binomial:
7
onde ( ) é o coeficiente binomial que representa o número de maneiras 
de escolher quatro sucessos em 10 lançamentos.
Assim, conclui-se que a probabilidade de sair cara quatro vezes em 10 lançamen-
tos é de 0,20625 ≈ 20,63%.
Observe outro exemplo para aplicar a distribuição binomial.
Suponha que haja um dado honesto de seis faces e deseja-se calcular a 
probabilidade de obter exatamente três lançamentos com o resultado 
"4" em oito lançamentos do dado.
P(X = 3) = ( ) · (1/6)3 · (5/6)(8 - 3)= (1/6)3 · (5/6)(5)=
=56 · (1/216) · (3125 / 7776) ≈ 0.1042
Logo, a probabilidade de se obter três lançamento com o resultado 4 em 
oito lançamentos do dado é, aproximadamente, de 0.1042 = 10,42%.
Para cada distribuição probabilística existe uma expressão para a esperança e para a 
variância: a distribuição binomial. Nesse caso, a esperança é dada pela fórmula E(X) 
= n·p, onde X é a variável aleatória que representa o número de sucessos, n é o núme-
ro de tentativas independentes e p é a probabilidade de sucesso em cada tentativa. 
Em outras palavras, a esperança é o número médio de sucessos esperado em 
um determinado número de tentativas.
Importante
Quanto maior o número de tentativas e maior a probabilidade 
de sucesso, maior será a esperança. 
10
4
8
3
8!
3!(8 - 3)!
 P(X = 4) = ⋅(0,5)4 ⋅ (0,5) (10 - 4) (0,5)4 ⋅ (0,5) 6 = = 4
10 10
4!(10 - 4)!
= 210 ⋅ 0,0625 ⋅ 0,015625 = 0,20625 
8
A variância, por sua vez, mede a dispersão dos resultados em relação à esperan-
ça. Na distribuição binomial, a variância é dada pela fórmula Var(X) = n· p ·(1 - p). 
A variância quantifica o quão distantes os valores individuais estão da média. 
Quanto maior a variância, maior a dispersão dos resultados em relação à média. 
No caso da distribuição binomial, a variância é influenciada tanto pelo número 
de tentativas quanto pela probabilidade de sucesso.
Importante
Quanto maior o número de tentativas e menor a probabilidade 
de sucesso, maior será a variância.
A esperança fornece uma medida de tendência central, representando o valor 
médio esperado na distribuição binomial. 
A variância dá uma medida de dispersão, indicando o quão distantes os resulta-
dos individuais estão da média. 
Ambas as medidas são úteis para compreender e analisar o comportamento da 
distribuição binomial e suas aplicações em diferentes contextos, como em expe-
rimentos científicos, análise de riscos e tomada de decisões.
Observe o exemplo de aplicação a seguir.
Em um experimento, a probabilidade de sucesso em cada tentativa é 
de 0.3. Realizam-se 10 tentativas independentes desse experimento. 
Calcule a esperança e a variância do número de sucessos obtidos. 
Nesse caso, tem-se uma distribuição binomial com parâmetros n = 10 (número 
de tentativas) e p = 0.3 (probabilidade de sucesso).
A esperança (valor esperado) de uma distribuição binomial é dada por E(X) = n·p, 
onde X é a variável aleatória que representa o número de sucessos.
9
Portanto, a esperança, nesse caso, é:
E(X) = 10 · 0,3 = 3
A variância de uma distribuição binomial é dada por Var(X) = n·p·(1 – p), onde X é 
a variável aleatória que representa o número de sucessos.
Portanto, a variância, nesse caso, é:
Var(X) = 10 · 0,3 · (1 – 0,3) = 10 · 0,3 · 0,7 = 2,1
Assim, a esperança do número de sucessos é 3 e a variância é 2,1, considerando 
o experimento com 10 tentativas independentes e uma probabilidade de suces-
so de 0,3 em cada tentativa.
Ao utilizar o exemplo dado para aplicar a esperança e a variância, sendo n = 8, p 
= 1/6 1 - p = 5/6, então tem-se:
E(X) = n · p = 8 ·(1/6) = 4/3 ≈ 1,33 
Var(X) = 8 · (1/6) · (5/6) = 40/36 = 10/9 ≈ 1,11
Consequentemente, o desvio padrão é =”Var(X) = ”10/9 ≈ 1,05 . 
Distribuição de Poisson
A distribuição de Poisson é uma distribuição de probabilidade discreta que mode-
la a ocorrência de eventos raros e independentes em um intervalo de tempo ou 
espaço fixo. Essa distribuição é amplamente utilizada em áreas como Estatística, 
Matemática, Engenharia, Ciências Naturais e Economia para descrever diversos 
fenômenos.
A distribuição de Poisson é caracterizada por um único parâmetro, denotado por 
λ (lambda), que representa a taxa média de ocorrência dos eventos em um de-
terminado intervalo. Essa taxa média pode ser expressa em termos de eventos 
10
por unidade de tempo, área, volume, entre outros, dependendo do contexto do 
problema.
A função de probabilidade da distribuição de Poisson é dada pela fórmula:
P(k; λ) = (e-λ · k) / k!
onde κ representa o número de eventos ocorridos e e é a base do logaritmo 
natural (aproximadamente 2,71828). A fórmula permite calcular a probabilidade 
de exatamente κ eventos ocorrerem em um determinado intervalo, conside-
rando a taxa média λ.
Importante
A distribuição de Poisson tem propriedades interessantes, 
como a independência entre intervalos não sobrepostos e a 
estabilidade do número esperado de eventos em intervalos 
de tamanhos diferentes. Essa distribuição é especialmente útil 
quando a ocorrência dos eventos é rara, mas o número médio 
de eventos é conhecido ou estimado.
A distribuição de Poisson é uma ferramenta importante para modelar eventos 
raros e independentes em diferentes contextos. Ela permite calcular a pro-
babilidade de um determinado número de eventos ocorrerem em um intervalo, 
com base na taxa média de ocorrência. 
Essa distribuição é amplamente aplicada em diversos campos para entender e 
analisar fenômenos aleatórios e tomar decisões informadas.
Exemplos de aplicação da distribuição de Poisson incluem o estudo de acidentes 
de trânsito em uma região, a análise de falhas em equipamentos, a contagem de 
mutações genéticas e muitas outras situações em que a ocorrência de eventos 
raros é relevante. 
Outro exemplo de aplicação da distribuição de Poisson diz respeito à modelagem 
de chegadas de clientes em um sistema de atendimento. Confira a seguir:
11
Suponha que um call center receba, 
em média, quatro chamadas por 
minuto. Podemos utilizar a distri-
buição de Poisson para calcular a 
probabilidade de um número espe-
cífico de chamadas ocorrerem em 
determinado intervalo de tempo.
Para saber a probabilidade de exatamente seis chamadas serem recebidas em 
um intervalo de dois minutos, pode-se usar a distribuição de Poisson com base 
na taxa média de quatro chamadas por minuto.
Se for aplicada a fórmula da distribuição de Poisson, tem-se:
P(k; λ) = (e-λ · λk) / k!
Ao substituir os valores, onde k = 6 e λ = 4·2 = 8 (considerando um intervalo de 
dois minutos), tem-se:
P(6; 8) = (e-8·86) / 6! 
Ao calcular essa expressão, obtém-se:
P(6; 8) ≈ 0.086
Portanto, a probabilidade de exatamente seis chamadas serem recebidas em 
um intervalo de dois minutos, com base na taxa média de quatro chamadas por 
minuto, é de, aproximadamente, 0.086, ou 8.6%.
Observe outro exemplo para aplicar a distribuição de Poisson.
Acidentes
Suponha que, em média, aconteçam cinco acidentes de carro em uma 
determinada rodovia a cada dia. Qual é a probabilidade de exatamente 
três acidentes ocorrerem em um dia específico?
12
Neste caso, pode-se utilizar a fórmula da distribuição de Poisson:
P(X = k) = (e(-λ) · λκ) / k!
onde:
• P(X = k) é a probabilidade de ocorrer exatamente k eventos;
•	λ é a média de eventos que esperamos ocorrer em um dado intervalo de 
tempo (neste caso, em um dia);
• e é a base do logaritmo natural (aproximadamente 2,71828);
• k é o número de eventos que estamos interessados em calcular a probabili-
dade;
• k! é o fatorial de k.
Seguem os cálculos:
λ = 5 (média de acidentes por dia)
k = 3 (queremos saber a probabilidade de três acidentes)
P(X = 3) = (e(–5) · 53) / 3!
P(X = 3) = (e(–5) ·125) / 6
Agora, calcula-se o valor de e(–5):
e(–5) ≈ 0,006738 
Agora, podemos calcular a probabilidade:
P(X = 3) = (0,0067378 · 125) / 6
P(X = 3) ≈ 0,1404 
Portanto, a probabilidade de exatamente três acidentes ocorrerem em um dia 
específico é aproximadamente 0,1404 (ou 14,04%).
13
Taxa de produção de peças
Suponha que, em uma fábrica de automóveis, a média de produção de 
peças defeituosas seja de cinco peças por hora. Qual a probabilidade de, 
em um intervalo de uma hora, serem produzidas exatamente oito peças 
defeituosas?
Neste caso, pode-se usar a distribuição de Poisson com a fórmula:
P(X = k) = (e(-λ) λk) / k!
onde:
• P(X = k) é a probabilidade de ocorrer exatamente k eventos;
•	λ é a média de eventos que esperamos ocorrer em um dado intervalo de 
tempo (neste caso, em um dia);
• e é a base do logaritmo natural (aproximadamente 2,71828);
• k é o número de eventos que estamos interessados em calcular a probabili-
dade;
• k! é o fatorial de k.
Seguem os cálculos:
λ = 5 (média de peças defeituosas por hora)
k = 8 (queremos saber a probabilidade de oito peças defeituosas em uma hora)
P(X = 8) = (e(–5) ·58) / 8!
Agora, calcula-se o valor de e(–5):
e(-5) ≈ 0,00673794699 (arredondando para 11 casas decimais)
Agora, calcula-se também o valor de 8!:
8! = 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 40.320
14
Agora, pode-se calcular a probabilidade:
P(X = 8) = (0,00673794699 · 390625) / 40.320
P(X = 8) ≈ 0,065996 (arredondando para seis casas decimais)
Portanto, a probabilidade de serem produzidas exatamente oito peças defeituo-
sas em um intervalo de uma hora na fábrica de automóveis é aproximadamente0,065996 (ou 6,60%).
Esse exemplo ilustra como a distribuição de Poisson pode ser usada para mode-
lar a taxa de ocorrência de eventos (neste caso, a produção de peças defeituosas) 
em um determinado intervalo de tempo (neste caso, uma hora). 
A distribuição de Poisson é útil para calcular a probabilidade de eventos raros 
ou incomuns, sendo amplamente aplicada em processos produtivos e outros 
campos para analisar a ocorrência de eventos independentes ao longo do tempo.
Taxa de produção de de peças com taxa média de três por hora
Suponha que em uma fábrica de automóveis, a média de produção de 
peças defeituosas seja de três peças por hora. Qual a probabilidade de, 
em um intervalo de uma hora, serem produzidas exatamente oito peças 
defeituosas?
Neste caso, pode-se utilizar a distribuição de Poisson com a fórmula:
P(X = k) = (e(–λ) · λk) / k!
onde:
• P(X = k) é a probabilidade de ocorrer exatamente k eventos;
•	 λ é a média de eventos que esperamos ocorrer em um dado intervalo de 
tempo (neste caso, em um dia);
• e é a base do logaritmo natural (aproximadamente 2,71828);
• k é o número de eventos que estamos interessados em calcular a proba-
bilidade;
15
• k! é o fatorial de k.
Seguem os cálculos:
λ = 3 (média de peças defeituosas por hora)
k = 8 (queremos saber a probabilidade de oito peças defeituosas em uma hora)
P(X = 8) = (e(–3)·38) / 8! 
Agora, calcula-se o valor de e(–3):
e(–3) ≈ 0,0497
Agora, calcula-se também o valor de 8!:
8! = 8 · 7 ·6 ·5 · 4 · 3 · 2 · 1 = 40.320
Agora, pode-se calcular a probabilidade:
P(X = 8) = (0,04979·6.561) / 40.320
P(X = 8) ≈ 0,008109 (arredondando para seis casas decimais)
Portanto, a probabilidade de serem produzidas exatamente oito peças defeituo-
sas em um intervalo de uma hora na fábrica de automóveis, com uma taxa média 
de três peças defeituosas por hora, é, aproximadamente, 0,008112 (ou 0,81%).
Com a taxa média reduzida para três, a probabilidade diminuiu significativamen-
te, refletindo a expectativa de menos peças defeituosas sendo produzidas em 
uma hora.
Importante
A distribuição de Poisson é muito sensível à variação da taxa 
média, sendo uma ferramenta útil para modelar eventos raros 
ou pouco frequentes em processos produtivos.
16
Probabilidade Acumulada 
das Distribuições Binomial e 
Poisson
A probabilidade P(x ≤ k) representa a probabilidade acumulada de um evento 
aleatório ter um valor igual ou menor que k. Essa medida é útil para analisar a 
frequência relativa de ocorrência de um evento dentro de uma distribuição.
Exemplo: pode-se calcular a probabilidade acumulada de obter uma 
pontuação igual ou menor que k em um teste ou a probabilidade de uma 
variável aleatória assumir um valor igual ou menor que k.
A probabilidade P(x ≥ k), por sua vez, representa a probabilidade acumulada de 
um evento aleatório ter um valor igual ou maior que k. Essa medida é útil para 
entender a frequência relativa de ocorrência de um evento a partir de um 
determinado valor, como em uma análise financeira, por exemplo.
A probabilidade acumulada de um evento aleatório ter um valor dentro de um inter-
valo específico de a até b é calculada pela probabilidade P(a ≤ x ≤ b). Essa medida é 
útil para analisar a probabilidade de eventos restritos a um intervalo particular. 
Exemplo: é possível calcular a probabilidade acumulada de que a tem-
peratura esteja entre a e b em um determinado dia, ou a probabilidade 
de que uma variável aleatória assuma valores dentro do intervalo de a 
até b. Isso também ajuda nas decisões de investimento ao avaliar riscos 
e recompensas para retornos iguais ou superiores a um determinado 
valor.
Além disso, é importante destacar que a probabilidade complementar também 
pode ser utilizada em P(x ≥ k). Em vez de calcular diretamente essa probabilidade 
acumulada, pode-se calcular P(x ≥ k) = 1 – P(xser aproximados pela distribui-
ção normal, tornando-a uma poderosa ferramenta de modelagem.
20
A seguir, veja algumas características mais marcantes da distribuição normal:
Característica 1
Uma das características mais marcantes da distribuição normal é a sua forma 
simétrica em torno da média, pois a maioria dos valores se concentra próximo 
ao centro da curva e diminui gradualmente em direção às extremidades. A cur-
va normal é completamente definida por dois parâmetros: a média, que indica 
o centro da distribuição, e o desvio padrão, que indica a dispersão dos dados 
em relação à média; 
Característica 2
A distribuição normal tem várias propriedades importantes que a tornam tão 
amplamente aplicável. Um exemplo é a soma de várias variáveis aleatórias in-
dependentes que seguem uma distribuição normal. Isso torna a distribuição 
normal especialmente útil para modelar e analisar somas e médias de dados 
em muitos contextos; 
Característica 3
A distribuição normal é fundamental em inferência estatística, pois muitos tes-
tes de hipóteses e intervalos de confiança são baseados em pressupostos de 
normalidade dos dados. Por meio da distribuição normal, é possível calcular 
probabilidades, determinar intervalos de confiança e fazer previsões com base 
em dados observados;
21
Característica 4
A distribuição normal é amplamente utilizada em áreas como Ciências Sociais, 
Economia, Engenharia, Medicina, Física, entre outras, e sua utilidade e aplica-
bilidade se estendem a análises estatísticas, previsões, modelagem de riscos, 
controle de qualidade, entre outras ações. Ela nos permite compreender e 
analisar uma ampla gama de fenômenos e tomada de decisões baseadas em 
dados.
Diante das características apresentadas anteriormente, é possível definir a distri-
buição normal da seguinte forma:
Diz-se que uma va contínua X tem uma distribuição normal com parâme-
tros, (ou σ²), onde –∞0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
 Fonte: Azevedo, s.d.
Tabela 1 – Parte positiva da tabela da distribuição normal
27
Tabela 2 – Parte negativa da tabela da distribuição normal
z 0,0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0708 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Fonte: Azevedo, s.d
28
Observe alguns exemplos para aprendizado da aplicação da tabela. 
Calcule as seguinte probabilidades normais padrão: 
(a) P(Z ≤ 1,25): neste item, para utilizar a tabela, primeiro identificam-se as li-
nhas que contêm os dois primeiros números, ou seja, 1,2. Depois, identifi-
cam-se as colunas e observa-se aquela que contém o terceiro número, ou 
seja, a coluna que contém o 5, que é a sexta coluna. Então, procura-se o 
número que está no encontro da linha 1,2 pela coluna 5. Assim, o valor ob-
tido é 0,8944, que é equivalente a 89,44%. Isto significa que a probabilidade 
acumulada P(Z ≤ 1,25) = 89,44%.
(b) P(Z >1,25): lembrando que P(Z ≤ 1,25) + P(Z > 1,25) = 1 � P(Z > 1,25) = 1 – P(Z 
≤ 1,25) = 1 – 0,8944 = 0,1056 = 10,56%.
(c) P(Z ≤ –1,25): da tabela, obtém-se que P(Z ≤ –1,25) = 010,56 = 10,56%. Observa-
se que o valor da probabilidade acumulada é igual ao do item (b), e isto 
ocorre devido à simetria do gráfico da distribuição normal em relação à 
origem.
(d) P(0,38 ≤ Z ≤1,25): é a área abaixo da curva normal padrão acima do intervalo 
cujo ponto extremo esquerdo é 0,38 e o direito é 1,25. Como X é uma va-
riável aleatória contínua com função de distribuição acumulada F(x), então 
P(a ≤ Z ≤ b) = F(b) – F(a). O que fornece P( 0,38 ≤ Z ≤ 1,25) =ϕ(1,25) – ϕ(0,38) 
= 0,8944 – 0,3520 = 0,5424 = 54,24%.
Para qualquer valor de probabilidade p entre 0 e 1, a tabela indicada anterior-
mente é usada para obter o (100 p)-ésimo percentil da distribuição normal pa-
drão.
Exemplo
O 99º percentil da distribuição normal padrão é o valor no eixo horizontal tal 
que a área sob a curva à esquerda do valor seja 0,9900. A tabela fornece para z 
fixo a área abaixo da curva normal à esquerda de z, neste caso, temos a área e 
queremos o valor de z. Este é o problema “inverso” de P(Z ≤ z) = ?, de modo que a 
tabela é usada de maneira inversa: encontra-se na tabela o valor 0,9900; a linha 
e a coluna onde se acha o valor identificam o 99º percentil de z.
 No caso, 0,9901 está na linha 2,3 e coluna 0,03, então o 99o percentil é (aproxi-
madamente) z ≤ 2,33 (veja a figura a seguir).
�
29
Figura 3 – Determinaçãodo 99º percentil
Fonte: Devore; Cordeiro, 2014
#ParaTodosVerem: gráfico em formato de sino com a maior parte da região pintada de cinza, da esquerda 
para a direita, representando a área sob o gráfico que contém o 99º percentil. Fim da descrição.
Percentis da Distribuição 
Normal Padrão
Propriedade do Agrupamento
Por simetria, o primeiro percentil é o negativo do 99º percentil, que é igual a 2,33 
(1% fica abaixo do 1º e acima do 99º), conforme figura a seguir:
Figura 4 – Representação da curva Z mostrando o 99º percentil
Fonte: Devore; Cordeiro, 2014
#ParaTodosVerem: gráfico em formato de sino com extremidades pintadas de cinza representando o 1º e 
o 99º percentil. Fim da descrição.
30
Em geral, o (100 p)-ésimo percentil é identificado pela linha e coluna da distribui-
ção da tabela anterior, onde se encontra a entrada p (por exemplo: o 67º percen-
til é obtido encontrando-se 0,6700 no corpo da tabela, que fornece z = 0,44). Se 
p não estiver na tabela, normalmente é utilizado o número mais próximo a ele, 
apesar de que a interpolação linear fornece uma resposta mais precisa. 
Exemplo
Para determinar o 95º percentil, procura-se 0,9500 na tabela. Apesar de 0,9500 
não aparecer, os valores 0,9495 e 0,9505 são mostrados e correspondem a z 
=1,64 e z=1,65, respectivamente. Como 0,9500 está na metade da diferença entre 
as duas probabilidades mostradas, será utilizado o número 1,645 como o 95º 
percentil e –1,645 como o 5º percentil.
No estudo de técnicas de inferência estatística, precisa-se dos valores do eixo 
das medidas que encerram pequenas áreas da cauda abaixo da curva normal 
padrão. 
Antes de aprofundar tal conteúdo, deve-se introduzir um valor bastante utiliza-
do. A notação zα representará o valor no eixo das medidas para o qual uma área 
abaixo da curva z fica à direita de zα. A figura a seguir ilustra tal conteúdo: 
Figura 5 – Curva Z – probabilidade P(z≥zα) 
Fonte: Devore; Cordeiro, 2014
#ParaTodosVerem: gráfico em formato de sino com a extremidade direita pintada de cinza representando 
a probabilidade P(z≥zα). Fim da descrição.
Como α da área abaixo da curva normal padrão está à direita de zα, 1 – α da área 
está à esquerda de zα. Portanto, zα é o 100(1 – α)-ésimo percentil da distribuição 
normal padrão. Por simetria, a área abaixo da curva normal e à esquerda de z 
também é. 
Os zαs normalmente são denominados valores críticos de z. A tabela a seguir 
relaciona os percentis normais padrão mais usados e os valores zα
31
Percentil 90 95 97,5 99 99,5 99,9 99,95
α (área sob a cauda) 0,1 0,05 0,025 0,01 0,005 0,001 0,0005
zα = 100 (1 – α ) -ésimo 
percentil
1,28 1,645 1,96 2,33 2,58 3,08 3,27
Fonte: Devore; Cordeiro, 2014
Tabela 3 – Percentis normais da distribuição padrão e valores críticos ɑ
Quando X ~ N(μ, σ²), as probabilidades que envolvem X são calculadas por “pa-
dronização”. A variável padrão é (X – μ)/σ. A subtração de μ desloca a média de 
para zero e depois a divisão por σ escalona a variável, de forma que o desvio 
padrão passa a ser 1 em vez de σ. 
A seguir, veja a proposição que resume a padronização da variável. 
Importante
Proposição: se X tem distribuição normal com média σ e desvio 
padrão σ , então 
Z = (X-μ)/σ tem distribuição normal padrão. 
Assim:
• P(a ≤ X≤ b) = P[ ≤ Z ≤ ( )σ ] = ϕ[b-μ/σ] - ϕ[(a-μ)/σ] 
• P(X ≤ a ) = ϕ[(a-μ)/σ] 
• P(X ≥b ) = 1 - ϕ[b-μ/σ]
(a-μ)
σ
(b-μ)
σ
32
A ideia-chave da proposição é que, pela padronização, qualquer probabilidade 
que envolva X é expressa como uma probabilidade que envolve uma va-
riável aleatória normal padrão Z, de forma que se pode utilizar a tabela da 
distribuição normal apresentada anteriormente. 
Agora, apresenta-se um exemplo que faz uso da proposição indicada:
Agora, apresenta-se um exemplo que faz uso da proposição indicada:
O comprimento das peças produzidas por uma máquina é uma variável 
aleatória com distribuição normal média µ e variância σ². Uma peça é 
defeituosa se o seu comprimento diferir do valor médio mais do que σ. 
Ciente de que 50% das peças produzidas têm comprimento inferior a 
0,25 mm e 47,5% têm comprimento entre 0,25 mm e 0,642 mm:
a. Deve-se calcular a média e o desvio-padrão do comprimento das 
peças.
b. Deve-se determinar a probabilidade de uma peça não ser defeituosa
Resolução:
X: comprimento das peças produzidas por uma máquina
X segue N(µ; σ²)
Peça defeituosa se X > µ + σ ou se Xencontra-se que a área correspondente a Z = 0 é de 
aproximadamente 0,5000.
Portanto, a probabilidade de que a soma do tempo de espera seja inferior a 12 
minutos é de aproximadamente 0,5000, ou seja, cerca de 50%.
36
Neste estudo, foram exploradas três importantes distribuições probabilísticas: a 
distribuição binomial, a distribuição de Poisson e a distribuição normal.
A distribuição binomial é utilizada para modelar eventos discretos que têm ape-
nas duas possibilidades, geralmente denominadas sucesso e fracasso. Ela é ca-
racterizada por dois parâmetros: o número de tentativas (n) e a probabilidade de 
sucesso em cada tentativa (p).
Já a distribuição binomial fornece a probabilidade de obter um certo número 
de sucessos em um determinado número de tentativas. Ela é frequentemente 
aplicada em situações como lançamento de moedas, resultados de testes e pes-
quisas de opinião. 
A distribuição de Poisson, por sua vez, é utilizada para modelar eventos raros ou 
discretos que ocorrem em um intervalo contínuo ou espaço infinito. É caracteri-
zada por um único parâmetro, λ (lambda), que representa a taxa média de ocor-
rência do evento em questão. A distribuição de Poisson também permite calcular 
a probabilidade de um determinado número de ocorrências em um intervalo 
fixo. Ela é amplamente utilizada em estudos de incidência de doenças, chamadas 
telefônicas recebidas em um call center e acidentes de trânsito.
A distribuição normal, também conhecida como distribuição gaussiana, é uma 
das distribuições mais importantes e amplamente utilizadas na estatística. Ela é 
caracterizada pela sua forma de sino e é completamente determinada por dois 
parâmetros: a média (μ) e o desvio padrão (σ). 
A distribuição normal descreve muitos fenômenos naturais e humanos, especial-
mente quando vários fatores aleatórios estão envolvidos. Ela é aplicada em áreas 
como Economia, Ciências Sociais e Física, sendo fundamental em inferência esta-
tística e análise de dados.
Compreender essas distribuições é essencial para realizar análises estatísticas 
precisas e tomar decisões fundamentadas em diversos contextos.
Em Síntese
37
Livros
Estatística Aplicada e Probabilidade para Engenheiros
A sexta edição desta obra, atualizada e revisada, abrange uma ampla gama 
de tópicos, desde conceitos básicos até técnicas avançadas, apresentando 
exemplos práticos e casos reais para ilustrar a aplicação dos conceitos em 
problemas reais da Engenharia. 
MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilida-
de para engenheiros. 6. ed. Rio de Janeiro: LTC, 2018.
Estatística e Probabilidade com Aplicações para Engenheiros e Cien-
tistas
Este livro oferece uma sólida introdução à estatística e à probabilidade, 
abordando conceitos fundamentais e suas aplicações em diversas áreas 
da Engenharia e das Ciências. Os autores apresentam uma variedade de 
métodos estatísticos, técnicas de amostragem e análise de dados, com ên-
fase em problemas e desafios reais enfrentados por profissionais dessas 
áreas. Com exemplos práticos e exercícios, o livro ajuda os leitores a de-
senvolverem habilidades analíticas e tomadas de decisão fundamentadas 
em dados.
BRISHAM, C. G.; GUTTMAN, I. Estatística e probabilidade com aplica-
ções para engenheiros e cientistas. Rio de Janeiro: LTC, 2018. 
Probabilidade: um Curso Introdutório
Este livro é uma excelente opção para quem busca uma introdução ao 
tema da probabilidade de forma clara e concisa. Com linguagem acessível 
e exemplos elucidativos, o autor conduz o leitor pelos conceitos básicos da 
probabilidade, explorando suas aplicações em diversos contextos e forne-
cendo uma base sólida para a compreensão de outras áreas da estatística. 
Ideal para estudantes de graduação e interessados em Ciências Exatas, o 
livro oferece uma abordagem gradual e intuitiva para o aprendizado do 
assunto.
DANTAS, C. Probabilidade: um curso introdutório. São Paulo: EDUSP, 
2008.
Material Complementar
38
Material Complementar
Probabilidade e Estatística para Ciências Exatas
Este livro é uma excelente opção para estudantes de Ciências Exatas que 
desejam adquirir conhecimentos sólidos em probabilidade e estatística. 
Com uma abordagem prática e focada em aplicações, o autor apresenta 
conceitos essenciais e técnicas estatísticas importantes para a análise de 
dados e tomada de decisões. O livro auxilia os leitores a desenvolverem 
habilidades analíticas e pensamento crítico, capacitando-os a aplicar os 
conhecimentos em problemas reais e desafiadores das Ciências Exatas.
NAVIDI, W. Probabilidade e estatística para ciências exatas. Porto Ale-
gre: Bookman, 2012.
39
1 – Preencha as palavras em falta:
A distribuição binomial é um modelo estatístico que descreve a probabili-
dade de obter um certo número de ___________ em um determinado número 
de ___________, quando cada tentativa tem apenas dois resultados possíveis: 
sucesso ou ___________. Os eventos devem ser ___________, e a probabilidade de 
sucesso deve ser constante em todas as tentativas.
Palavras-chave: FALHA – INDEPENDENTES – TENTATIVAS – SUCESSOS.
Autoatividade
40
AZEVEDO, C. L. N. Tabela da distribuição normal padrão. UNICAMP. Disponível 
em: . Acesso em: 
25/07/2023.
DEVORE, J. L.; CORDEIRO, M. T. A. Probabilidade e estatística: para engenharia 
e ciências. São Paulo: Cengage Learning Edições Ltda., 2014.
STEWART, J. Cálculo. São Paulo: Cengage, 2013. 2 v.
Referências
41
Questão 1 
A ordem correta é: SUCESSOS – TENTATIVAS – FALHA – INDEPENDENTES.
Feedback: A distribuição binomial é um modelo estatístico que descreve a pro-
babilidade de obter certo número de sucessos em um determinado número de 
tentativas, quando cada tentativa tem apenas dois resultados possíveis: sucesso 
ou falha. Os eventos devem ser independentes, e a probabilidade de sucesso 
deve ser constante em todas as tentativas.
Gabarito

Mais conteúdos dessa disciplina