ALGUMAS DISTRIBUIÇÕES DE PROBABILIDADE

s variáveis aleatórias que aparecem nas principais aplicações em física e engenharia, podem
ser modeladas por funções de probabilidade, no caso discreto, ou funções densidade, no
caso contínuo. Essas funções dependem de um ou mais parâmetros e se configuram como
modelos probabilísticos apropriados para um conjunto de experimentos aleatórios que
apresentam determinadas características comuns. As distribuições contínuas, como ocorrem
com maior frequencia nas aplicações, receberão um maior destaque. No final do apêndice é
apresentada uma tabela com os modelos mais utilizados na prática da engenharia.

B.1) Distribuições Discretas

B.1.1) Distribuição Binomial

→ Seja E ={experimento aleatório do tipo sucesso/fracasso}

Sendo p = P [evento sucesso] e n o nº de repetições independentes do

experimento [E], a variável aleatória X = {nº de sucessos em n repetições do
experimento}, terá como função de probabilidade a expressão:

p X (k )  P ( X  k )  C (n, k ). p k .(1  p) n  k (distribuição binomial)

Sendo RX = {0,1,2,...,n}

Demonstra-se que (é necessário que o valor de p permaneça constante durante as

n repetições do experimento):

E(X) = np , V(X) = np.(1-p) e mX(t) = (q + p.et)n

Sendo q = 1-p

Exemplo 1 – Inspeção de um lote de peças

Um certo equipamento é expedido em lotes de 500 unidades. Antes que uma

remessa seja aprovada, um inspetor escolhe 5 desses equipamentos (sem reposição) e os
inspeciona. Se nenhum dos equipamentos inspecionados for defeituoso, o lote é aprovado.
Se um ou mais equipamentos forem defeituosos, todas as unidades são inspecionadas
Capítulo 2

(inspeção total). Suponha que existam, de fato, dez equipamentos defeituosos no lote. Qual
é a probabilidade de que seja necessário testar todos os equipamentos?

→ Numa primeira análise, esse exercício pode ser resolvido utilizando-se os recursos do
capítulo anterior. Seja:

E = {retirar cinco equipamentos de um lote com 500}

Evento A = {retirar pelo menos um equipamento defeituoso}

Logo,

 C (490,5).C (10,0)
P ( A)  1  P ( A)  1   0,0965
C (500,5)

Tendo em vista o tamanho do lote (N=500 unidades), podemos considerar que a

probabilidade do evento sucesso (o equipamento é defeituoso) permaneça
aproximadamente constante durante a inspeção da amostra de cinco equipamentos. Nesse
caso, podemos aplicar a distribuição binomial com os parâmetros:

10
p  0,02 n5
500

A probabilidade do evento A será dada por:


P ( A)  1  P ( A)
P( A)  1  P ( x  0)  1  C (5,0)(0,02) 0 (0,98) 5  0,0961

Essa aproximação não será tão boa para valores reduzidos de N. Observe a tabela abaixo:

N 1000 500 100 50

Valor exato 0,0491 0,0965 0,4162 0,3106
Binomial 0,0490 0,0961 0,4095 0,6723

É oportuno observar que, caso a amostra de 5 unidades fosse retirada com

reposição, o valor de p permaneceria constante e a distribuição binomial poderia ser
aplicada diretamente.
O procedimento de amostragem sem reposição pode ser generalizado da seguinte
maneira:
Seja um lote com N peças sendo r defeituosas e (N-r) não defeituosas; considere o
experimento:

E = {retirar uma amostra de n peças do lote sem reposição (n  N ) }

e a variável aleatória

2
Capítulo 2

X = {nº de peças defeituosas na amostra}

Utilizando os argumentos apresentados no início do exemplo, teremos:

C ( r , k ).C ( N  r , n  k )
P( x  k )  (distribuição hipergeométrica)
C ( N .n)

Considerando n = 5, r = 10 e k = 2, a tabela abaixo apresenta os valores de P(x = 2)

utilizando as duas distribuições para diferentes valores de N.

P(x = 2)
N 50 100 200 500 1000
Dist.Binomial
0,2048 0,0729 0,0214 0,0038 0,00097
(c/reposição)
Dist.Hipergeométric
a 0,2098 0,0702 0,0200 0,0034 0,00087
(s/reposição)

Os valores apresentados na tabela confirmam o fato de que, para grandes valores de

N, os procedimentos de amostragem com e sem reposição tornam-se práticamente
equivalentes.

B.1.2) Distribuição de Poisson

→ Considere o experimento que consiste em contar o número de ocorrências

aleatórias ao longo de um período de tempo(embora o parâmetro t, na maioria das
aplicações, represente o tempo, ocorrerão exemplos envolvendo grandezas tais como:
comprimento, espaço, região, etc.). Para simplificar, seja a seguinte variável aleatória:

X(0,t) = {número de ocorrências no intervalo de tempo[0,t]}

(Por exemplo; X(0,t) pode representar o nº de arquivos que chegam num sistema no
período de 2 horas)
Vamos assumir para X(0,t) as seguintes suposições básicas:

(1) P[X(t, t + Δt) = 1] ~ λΔt quando Δt → 0 (um período de tempo suficientemente

pequeno)
Onde λ > 0 ( λ representa a taxa média de ocorrências)

(2) P[X(t, t + Δt) > 1] ~ 0 quando Δt → 0

(3) Os números de ocorrências em intervalos de tempo disjuntos são independentes.

Se (1), (2) e (3) forem satisfeitas, demonstra-se que:

3
Capítulo 2

e  t .(t ) k
P[ X (0, t )  k ]  (distribuição de Poisson)
k!

Sendo RX = { 0,1,2,...}

Para a distribuição de Poisson, teremos:

E[X] = V[X] = λt

Exemplo 2 – Modelo de Poisson para enchentes

O Processo de Poisson é normalmente utilizado para modelar a ocorrência de

grandes enchentes em determinadas regiões. Se a média de enchentes numa determinada
região A é de uma a cada 8 anos, determine:

(a) A probabilidade de não ocorrer enchente num período de 10 anos.

Os dados do problema são:

  1/ 8 t = 10 anos t = 1,25

Logo,
1, 25
0
P(não ocorrer enchentes) = P ( x  0)  e .(1,25)  0,2865
0!

(b) A probabilidade de ocorrer mais de 3 enchentes.

P( x  3)  1   P x  0  P( x  1)  P( x  2)  P( x  3)
1, 25
P ( x  3)  1  (3,357). e  0,0383

(c) Uma estrutura está localizada na região A. A probabilidade da estrutua ser inundada
quando uma enchente ocorre é de 0,05. Determine a probabilidade da estrutura
sobreviver num período de 10 anos (assuma independência estatística entre as
enchentes).

Para cada enchente, a probabilidade da estrutura não ser inundada é de 0,95.

Utilizando a regra da multiplicação para eventos independentes, teremos:

 P ( x  0)  0,95.P ( x  1)  (0,95) 2 .P ( x  2)  (0,95) 3 .

P(estrutura sobreviver)
P ( x  3)  (0,95) 4 .P ( x  4)  ...

P(estrutura sobreviver)
1, 25 1, 25
 0,2865  0,95. e .1,25  (0,95) 2 . e .(1,25) 2 / 2!...

4
Capítulo 2

P(estrutura sobreviver) 1, 25  (1,1875) n

 0,2865  e . n 1
 0,939
n!


xn
(o valor numérico foi obtido utilizando-se a série  n!
n 0
 ex )

B.1.3) Distribuição Geométrica

→ Seja E = { experimento aleatório do tipo sucesso/fracasso}

Sendo p = P[sucesso], a variável aleatória, X = {nº de repetições do experimento até

ocorrer o primeiro sucesso}, terá como função de probabilidade a expressão:

p X ( k )  P[ X  k ]  p.(1  p ) k 1 distribuição geométrica

sendo RX = { 1,2,...}

Para a Distribuição Geométrica teremos:

E(X) = 1/p V(X) = q/p2 e mX(t) = p.et/(1-qet)

Sendo q = 1 – p

Uma generalização importante da distribuição geométrica ocorre para a variável X =

{nº de repetições do experimento até ocorrer o r-ésimo sucesso}. É claro que, nesse caso, o
evento [X=k] significa que ocorreram (r-1) sucessos em (k-1) repetições do experimento,
independentemente de sua ordem. Teremos então:

p X ( k )  P[ X  k ]  C ( k  1, r  1) p r .(1  p ) k  r (distribuição binomial negativa)

Sendo RX ={r, r + 1,...}

Para a Distribuição Binomial negativa, são válidas as expressões:

E(X) = r/p V(X) = rq/p2 e mX(t) = [pet/(1-qet)]r

Fica evidente que para r = 1, teremos a Distribuição Geométrica

B.2) Distribuições Contínuas

B.2.1) Distribuição Uniforme

5
Capítulo 2

→ Uma variável aleatória X terá distribuição uniforme se a sua função densidade for
dada por:

1
f X ( x)  para a ≤ X ≤ b
(b  a )

Com os parâmetros a e b satisfazendo a desigualdade -∞ < a < b < ∞

Se X possui distribuição uniforme, então:

e bt  e at
E[X] = ( a + b)/2, V[X] = (b-a) /12 2
m X (t ) 
(b  a )t

OBS: Uma aplicação importante da distribuição uniforme ocorre na simulação de

experimentos aleatórios utilizando-se o Método Monte Carlo. Quando utilizamos a
expressão, “obter um número aleatório no intervalo [0,1]”, estamos na realidade pensando
nos valores de uma variável X com distribuição uniforme no intervalo [0,1].

B.2.2) Distribuição Normal (ou Gaussiana)

→ Uma variável aleatória X, terá distribuição Normal se a sua função densidade for
dada por:

1 2
/ 2 2
f X ( x)  .e ( x   ) para -∞ ≤ x ≤ ∞
2 .

Com os parâmetros μ e σ satisfazendo as condições:

-∞ < μ < ∞ , σ>0

OBS:

(i) Para designar uma variável aleatória X com distribuição normal e parâmetros μ
e σ é útil a seguinte notação, X ~ N (μ,σ2).

(ii) No caso da distribuição normal, a função densidade e a função acumulada serão

representadas por  ( x) e  (x ) , ou seja,

1 2
/ 2 2
x
 ( x)  e ( x   ) e ( x)    (u )du
2  

(iii) Se a distribuição apresentar μ = 0 e σ = 1, ela será chamada de distribuição

normal reduzida. Uma variável aleatória com distribuição normal reduzida é
geralmente representada por Z, ou seja, Z ~ N(0,1); verifica-se que Z = (X-μ)/σ.

6
Capítulo 2

(iv) Demonstra-se que, para a distribuição normal, são válidas as seguintes

expressões:

E( X )   ,
2 2
V (X )   2 e m X (t )  e t  t /2

(v) Um caso importante ocorre quando X1, X2,, ..., Xn, são n variáveis normais
independentes, ou seja, Xi ~ N(μi,σi2). Nesse caso a variável Y = X 1+ X2+ ... +Xn
também será normal com os seguintes parâmetros:

n
E (Y )    i
i 1

n
V (Y )    i
2

i 1

⇒ Uma das mais interessantes aplicações da distribuição normal está diretamente

relacionada ao Teorema Central do Limite. Uma versão simplificada desse importante
teorema pode ser apresentada da seguinte maneira:

“Seja X1, ..., Xn, n variáveis aleatórias independentes e identicamente distribuídas com
n
média μ e variância σ . Seja Y   X i e seja a variável Z definida como:
2

i 1

Z  (Y  n ) / n .

Então, a função densidade de Z, f(z), converge para a função densidade de uma

distribuição N(0,1) quando n → ∞”

Exemplo 3 – Um modelo Gaussiano para a resistência do concreto

Sabe-se que a resistência à compressão de uma peça de concreto é uma variável

aleatória que pode ser modelada por uma distribuição normal. Um determinado “traço”
(mistura de água, cimento, areia e brita) forneceu os parâmetros:

  25MPa (correspondente à resistência aos 28 dias, fc28)

  3MPa

Suponha que o custo de fabricação da peça seja de R$ 200 e o preço de venda R$

350. O fabricante garante a devolução total do dinheiro caso a resistência fique abaixo de
20 MPa .

(a) Qual o lucro esperado por peça?

A variável X = resistência à compressão possui distribuição X ~ N  25,9

7
Capítulo 2

Usando a tabela da distribuição normal reduzida, teremos:

P( x  20)  P ( z  1,67)  0,0475

Logo,

E (lucro / peça)  150.(1  0,0475)  200 x0,0475  133,4

(b) Qual o valor de resistência que é ultrapassado por 95% das peças?

Nesse caso, devemos determinar o valor de resistência ( X 0 ) , de tal forma que

 ( X 0 )  0,05

Para a distribuição normal reduzida, Z ~ N (0,1) , o valor ( Z 0 ) que satisfaz à

relação

 ( Z 0 )  0,05 é Z 0  1,64 . Teremos então:

X 0  25
 1,64  , X 0  20,1MPa
3

OBS: Na teoria do concreto armado, em engenharia civil, o valor da resistência à

compressão que é ultrapassado por 95% dos corpos de prova, é chamado de resistência
característica (fck). O valor de fck é um importante parâmetro no dimensionamento das peças
de concreto.

Exemplo 4 – Um modelo Gaussiano para o prazo de uma construção

Um construtor estima que o tempo médio para completar um trabalho A seja de 30

dias. Devido a incertezas inerentes ao processo, tais como: condições atmosféricas, atraso
no fornecimento dos materiais, faltas de empregados, etc., o construtor não fica muito
seguro de terminar o trabalho no prazo de exatamente 30 dias. Entretanto, usando a sua
experiência com esse tipo de obra, ele estima, com 90% de probabilidade, completar o
trabalho dentro de 40 dias.

Seja X o nº de dias para completar o trabalho A e admita que X tenha distribuição

normal.

(a) Determine a probabilidade de completar o trabalho em menos de 50 dias.

Sabe-se que X tem distribuição normal com   30dias . Como, para a variável X,
 ( 40)  0,90 , temos a relação

8
Capítulo 2

40  30
1,28  →   7,81


Logo,

P( X  50)  P( Z  2,56)  0,9948

(b) Qual o prazo que o construtor deve exigir para completar o trabalho com 99% de
probabilidade?

Sabemos, do ítem (a), que   30 e   7,81 . Chamando de X 0 o prazo para

completar o trabalho com 99% de probabilidade, teremos

 ( X 0 )  0,99
 ( Z 0 )  0,99 → Z 0  2,33 (usando a tabela de distribuição N~(0,1))

Logo,

X 0  30
2,33  X 0  48,2dias
7,81

(c) O construtor terá um lucro de R$ 20.000 caso entregue a obra no prazo e pagará
uma multa contratual de 20% sobre o lucro se atrasar. Com que prazo deverá
trabalhar para ter um lucro esperado de R$ 19.000?

Vamos chamar de Y = prazo pedido, W = probabilidade de entregar a obra no prazo

Y e L = lucro

Assim sendo, teremos

E ( L)  20.000.(W )  16.000(1  W )  19.000 → W  0,75

Para  ( Z )  0,75  Z  0,67 o que acarreta

Y  30
0,67 
7,81
 Y  35dias

Exemplo 5 – n variáveis  x1 ,..., x n  independentes

Uma laje de concreto de 60m2 de área está apoiada em 6 pilares. Se a resistência de

cada pilar é uma variável normal com média de 16.000Kgf e desvio padrão de 1500Kgf e
se a resistência do conjunto é a soma das resistências independentes dos pilares, determine
a probabilidade da laje não suportar uma sobrecarga de 1500Kgf/m2.

Chamando de,

9
Capítulo 2

RT = resistência do conjunto
X1,...,X6 = resistência dos 6 pilares

Teremos:

RT  X 1  x 2  ...  X 6

Como as variáveis X1,...,X6 são independentes, podemos usar as expressões:

 ( RT )   ( X 1 )  ...   ( X 6 )  6 x16.000  96.000Kgf

 2 ( RT )   2 ( X 1 )  ...   2 ( X 6 )  6 x(1.500) 2
 ( RT )  1.500. 6  3.674 Kgf

A sobrecarga total na laje (CT) será:

CT  60.(1500)  90.000 Kgf

A probabilidade da laje não suportar essa sobrecarga será determinada por:

P( RT  90.000)  P ( Z  1,63)  0,0516

B.2.3) Distribuição Gama

→ Uma variável aleatória X terá distribuição Gama se a sua função densidade for
do tipo:


f X ( x)  .(x ) r 1 .e  x para x ≥ 0
(r )

onde, r > 0 e λ > 0 são os parâmetros da distribuição e ( x) é a conhecida função

gama.

OBS:

(i) Um caso particular importante ocorre quando r = 1. Nesse caso f X ( x)  .e  x

(já que (1)  1 ). Essa é a função densidade da distribuição exponencial.

(ii) Quando a variável aleatória X(0,t) = {nº de ocorrências com parâmetro λ no

intervalo de tempo [0,t]} tem distribuição de Poisson, demonstra-se que o

10
Capítulo 2

tempo entre 2 ocorrências sucessivas têm distribuição exponencial e o tempo

para r ocorrências tem distribuição gama com parâmetro λ e r.

(iii) Se X possui distribuição Gama com parâmetro λ e r, demonstra-se que:

r
  
E( X )  r /  , V ( X )  r / 2 e m X (t )    , para t < λ
 t

Exemplo 6 – Tempo entre 2 viagens

Barcas de carga partem para viagens através de um rio tão logo estejam a bordo
nove veiculos. A observação indica que os veiculos chegam independentemente segundo
uma distribuição de Poisson com λ = 6 veículos/hora. Determine a probabilidade de que o
tempo entre duas viagens seja inferior a uma hora.

Nesse caso, o tempo entre 9 ocorrências tem distribuição Gama com parâmetros λ
= 6 e r = 9.

É necessário que o tempo entre duas viagens (X) seja inferior a uma hora; esse
evento terá a sua probabilidade determinada por:

P( X  1)  FX (1)

Sendo FX (x) a função acumulada da distribuição Gama dada por

X

 T (r ) .(s) .e  s ds
r 1
FX ( x ) 
0

Logo

1
6
P( x  1)   (9) .(6s) .e 6 s ds  0,153
8

B.2.4) Distribuição Lognormal

→ Seja X uma variável aleatória com distribuição normal de parâmetro μ e σ, ou seja,

X ~ N[μ,σ2]. Se considerarmos uma outra variável aleatória Y, definida por:

Y = eX

11
Capítulo 2

Y terá uma distribuição conhecida como lognormal.

A função densidade da distribuição lognormal será dada por:

1 2
/ 2 2
f y ( y)  e  ( ny   ) , para y ≥ 0
y 2

OBS:

(1) Se y possuir distribuição lognormal, teremos então:

2 2 2
E ( y )   y  e   /2
, V ( y )   y2  e 2   2  e 2   (ou, de forma mais
2
simplificada,  y2   y2 .[e   1] )

(2) Podemos utilizar as relações acima para μ y e  y e obter duas expressões

2

bastante úteis na teoria da confiabilidade, quais sejam:

  n(  y )   2 / 2

 2  n(1   2 )

y 
sendo    , o coeficiente de variação de y.
y

(3) É claro que, sendo Y = e x e X ~ N[μ.σ2], a função de distribuição

acumulada de Y será dada por:

Fy ( y )  P (Y  y )  P ( X  ny)  FX (ny ) , y ≥ 0

ou seja

 ny   
FY ( y )    , e assim podemos utilizar a tabela da distribuição
  
N[0,1] para cálculos probabilísticos envolvendo a distribuição longnormal.

B.2.5) Distribuição de Weibull

→ Uma variável aleatória X terá distribuição de Weibull se a sua função densidade

de probabilidade for do tipo:

 1 
  x     x   
f ( x)  .  . exp     para x ≥ 0
        

12
Capítulo 2

A função densidade depende portanto de três parâmetros, que possuem o seguinte

significado:

  parâmetro de forma

  parâmetro de escala

  parâmetro de locação

O parâmetro de locação  , é conhecido na teoria da confiabilidade como parâmetro de

vida mínima e apresenta-se como um termo independente que deve ser conhecido
previamente, analisando-se as características da variável X do problema estudado.

OBS:

(1) Quando   0 , teremos a distribuição Weibull de 2 parâmetros com a seguinte

função densidade:

 x
 1
 x 

f (X )    . exp      para x ≥ 0
       

(2) Para a distribuição de 2 parâmetros, as seguintes expressões podem ser

demonstradas:

  x  
FX ( x)  P[ X  x]  1  exp    
    

E ( X )   . (1  1 /  ) , V ( X )   2 .(1  2 /  )   2  2 (1  1 /  )

onde  () = função Gama

(3) O parâmetro de forma β, é o principal responsável pela flexibilidade da distribuição

de Weibull e, dependendo do seu valor, outras distribuições poderão ser obtidas.
Por exemplo, para β = 1, tem-se o modelo exponencial e, para β = 3,6, o modelo
normal reduzido.

B.3) Distribuições Utilizadas na Engenharia Estrutural

→ As principais variáveis aleatórias utilizadas na engenharia estrutural já foram

exaustivamente analisadas na prática e os seus modelos probabilísticos obtidos através de
testes estatísticos apropriados. Esses testes foram aplicados, tomando-se como base um
conjunto significativo de dados colhidos em experimentos realizados em laboratórios ou em
estruturas já executadas. Em seu texto, SOARES, 2001, forneceu um estudo das

13
Capítulo 2

características (modelo probabilístico e coeficiente de variação) das variáveis aleatórias

mais utilizadas na Engenharia Estrutural.

A tabela seguinte apresenta um resumo do estudo acima citado.

Tabela 1 - Variáveis aleatórias mais utilizadas em

Engenharia de Estruturas e seus respectivos
modelos probabilísticos.

Variável Aleatória Modelo Probabilístico Coeficiente de variação

 
Ações externas Permanente: log normal ou normal 8% a 15%
Acidental: Weibull 0% a 30%
  Onda : Weibull 40%
Concreto/Aço Tensão : Log normal ou normal 10% a 25%
  M. elasticidade: log normal ou normal 15%
Fissura Tamanho : exponencial -
  Homogeneidade: Weibull -
Deterioração Exponencial -
Erro Normal -
Geometria Largura : Log normal ou normal -
Altura : Log normal ou normal -
  Cobrimento da armadura: uniforme -

14
Capítulo 2

EXERCÍCIOS – GRUPO 1
DISTRIBUIÇÕES DISCRETAS
Binomial/Geométrica e Poisson

DISTRIBUIÇÃO BINOMIAL

1. Um exame de múltipla escolha consiste em 10 questões, cada uma com quatro

opções. A aprovação no exame exige o acerto de 6 questões. Qual a chance de
aprovação se:
(a) O aluno nada estudou?
(b) Se o aluno estudou para poder eliminar duas escolhas?

2. Uma certa doença pode ser curada através de procedimento cirúrgico em 80% dos
casos. Dentre os que têm essa doença, sorteamos 15 pacientes que serão
submetidos à cirurgia. Qual é a probabilidade de:
(a) Todos serem curados?
(b) Pelo menos dois não serem curados?
(c) Ao menos 10 serem curados?

3. Um certo equipamento é expedido em lotes de 500 unidades. Antes que uma

remessa seja aprovada, um inspetor escolhe 5 desses equipamentos e os
inspeciona. Se nenhum dos equipamentos inspecionados for defeituodo, o lote é
aprovado. Se um ou mais equipamentos forem defeituosos, todas as unidades são
inspecionadas. Suponha que existam, de fato, dez equipamentos defeituosos no
lote. Qual é a probabilidade de que seja necessário testar todos os equipamentos?

4. Uma vacina contra a gripe é eficiente em 70% dos casos. Sorteamos, ao acaso,
20 dos pacientes vacinados e pergunta-se a probabilidade de obter:
(a) Pelo menos 18 imunizados.
(b) De N=5 grupos com 20 pacientes, ocorrer exatamente 2 grupos com pelo
menos 18 imunizados.
(c) Determinar o valor esperado de pacientes imunizados para um grupo de 50
pacientes (interpretar o resultado).

5. A revista VEJA de 25.05.1988, relata que 90% dos fumantes dos EUA afirmam
que desejam parar com o seu vicio. Para uma amostra de 10 pessoas:
(a) Qual a probabilidade de ninguém querer parar de fumar?
(b) O valor esperado dos que desejam parar de fumar.

15
Capítulo 2

6. Uma fábrica recebe 10 caixas de um determinado produto sendo que 2caixas

apresentam o produto fora da especificação. Um inspetor de Controle de
Qualidade seleciona aleatoriamente 4 caixas. Seja Z o número de caixas com o
produto fora da especificação dentre as 4 selecionadas.
(a) Qual a probabilidade de ao menos uma das 4 caixas estar fora?
(b) Quantas caixas devem ser selecionadas de modo que a probabilidade de haver
ao menos 1 fora seja maior de 0,75?

DISTRIBUIÇÃO GEOMÉTRICA

1. Uma linha de produção está sendo analisada para efeito de controle de qualidade
das peças produzidas. A produção é interrompida para regulagem toda vez que
uma peça defeituosa é observada. Se 0,01 é a probabilidade da peça ser
defeituosa, determine a probabilidade de:
(a) Interromper a produção na 5ª peça produzida.
(b) Interromper a produção até a 4ª peça produzida.
(c) O valor esperado (interpretar o resultado).

2. Toda manhã, antes de iniciar a produção, o setor de manutenção de uma indútria

faz a verificação de todo o equipamento. A experiência indica que em 95% dos
dias, tudo está bem e a produção se inicia. Caso haja algum problema, uma
revisão completa será feita.
(a) Qual é a probabilidade de demorar 10 dias para a primeira revisão?
(b) Qual é a probabilidade de demorar pelo menos 5 dias para a primeira
revisão?

3. Um motorista vê uma vaga para estacionamento em uma rua. Há cinco carros na

frente dele, e cada um tem uma probabilidade de 0,2 de tomar a vaga. Qual a
probabilidade de a vaga ser tomada pelo carro que está imediatamente adiante
dele?

DISTRIBUIÇÃO DE POISSON

1. Suponha que partículas radioativas atinjam uma placa metálica segundo uma
distribuição de Poisson de média λ = 3 partículas/minuto. Determine a
probabilidade da placa receber 4 ou mais partículas no período de 2 minutos.

16
Capítulo 2

2. Suponha que o número de defeitos numa chapa metálica produzida pela fábrica X
tenha uma distribuição de Poisson com média λ = 0,4 defeito/cm2. Se uma
amostra aleatória de 5 chapas é inspecionada, qual a probabilidade de que todas as
chapas da amostra tenham pelo menos 6 defeitos?
OBS: Cada chapa tem 10cm2 de área.

3. Uma central telefônica recebe em média 5 chamadas/minuto. Supondo que as

chamadas que chegam constituam uma distribuição de Poisson, determine:
(a) A probabilidade da central não receber chamadas durante um minuto.
(b) A probabilidade de se obter no máximo 2 chamadas em 4 minutos.
(c) A probabilidade do tempo entre 2 chamadas ser superior a 15 segundos.

4. Suponha que a probabilidade de que uma peça, produzida por uma fábrica, seja
defeituosa é de 0,1. Se 10 peças são selecionadas ao acaso, qual é a probabilidade
de que não mais do que uma peça defeituosa seja encontrada?
(a) Use a distribuição binomial.
(b) Use a distribuição de Poisson. A aproximação pode ser considerada razoável?

5. Suponha que a proporção de pessoas com olhos azuis numa determinada

população seja 0,005. Qual é a probabilidade de que não mais do que uma pessoa
com olhos azuis seja encontrada num grupo de 600 pessoas?

6. Uma rede de 15 lojas de peças automotivas verificou que os clientes que procuram
determinada peça seguem uma distribuição de Poisson com X = 10 clientes/mês.
(a) Qual a probabilidade de que uma loja da rede receba 20 clientes num período
de 2 meses?
(b) Qual a probabilidade de que nas 15 lojas, pelo menos 2 recebam 20 clientes
num período de 2 meses?

7. O Processo de Poisson é normalmente utilizado para modelar a ocorrência de

grandes enchentes em determinadas regiões. Se a média de enchentes numa
determinada região A é de uma a cada 8 anos, determine:
(a) A probabilidade de não ocorrer enchente num período de 10 anos.
(b) A probabilidade de ocorrer mais de 3 enchentes num período de 10 anos.
(c) Uma estrutura está localizada na região A. A probabilidade da estrutura ser
inundada quando uma enchente ocorre é de 0,05. Determine a probabilidade da
estrutura sobreviver num período de 10 anos (assuma independência estatística
entre as enchentes)

8. Um engenheiro de transporte analisa o volume de tráfego que chega ao pedágio de

uma ponte. Verifica-se que o volume de tráfego apresenta uma média de 120
veículos por hora, sendo que 2/3 desses veículos são automóveis de passeio e 1/3
são caminhões. O valor do pedágio é de R$ 2,00 por carro e R$ 5,00 por
caminhão. Considere que as chegadas dos veículos ao pedágio ocorram segundo
uma distribuição de Poisson:
(a) Qual é a probabilidade de que, num período de 1 minuto, mais do que 3
veículos cheguem ao pedágio?

17
Capítulo 2

(b) Qual é a arrecadação esperada do pedágio num período de 3 horas?

(c) Qual é a probabilidade do tempo entre 2chegadas ser superior a 1 minuto?

Suponha que os arquivos que chegam a um computador sigam um Processo de Poisson com
parâmetro λ e que a probabilidade do arquivo ser recebido corretamente seja p. Demonstre
que a probabilidade de um total de k arquivos serem recebidos corretamente é dada por
(λp)k.exp(-λp)/k! ( ou seja, um novo processo de Poisson com parâmetro λp)

18
Capítulo 2

EXERCICIOS – GRUPO 2
DISTRIBUIÇÃO NORMAL

1. Suponha que a medida de tensão elétrica em determinado circuito tenha uma

distribuição normal com média 120 e desvio padrão 2. Se quatro medidas
independentes da tensão forem feitas, qual é a probabilidade de que todas as
quatro medidas estejam entre 116 e 118?.

2. A resistência à compressão de uma peça de concreto é uma variável aleatória com

média igual a 25 MPa e desvio padrão igual a 3MPa. Suponha que o custo de
fabricação da peça seja R$ 200 e o preço de venda R$ 350. O fabricante garante
devolução total do dinheiro caso a resistência fique abaixo de 20Mpa.:

a. Qual o lucro esperado por peça?

b. Qual o valor de resistência que é ultrapassado por 95% das peças?

3. Sabe-se que o diâmetro interno de um tubo metálico possui uma distribuição

normal. Dados estatísticos revelaram que 5% dos tubos são maiores que 200mm
(diâmetro interno) enquanto apenas 1% dos tubos apresentam diâmetro interno
menor que 190mm. Determine a média e o devio padrão da distribuição.

4. A distribuição dos salários dos empregados de determinada empresa é muito bem

representada por uma distribuição normal com média igual a R$ 2.000 e desvio
padrão igual a R$ 150. Um pesquisador deseja classificar os salários em classes da
seguinte maneira:

- 5% dos menores salários : classe D

- 45% dos salários seguintes : classe C
- 40% dos salários seguintes :classe B
- 10% dos maiores salários : classe A

Quais os limites de salário para cada classe?

5. O diâmetro de certo tipo de cabo elétrico é uma variável aleatória com

distribuição normal de média 5cm e desvio padrão 0,2cm. Se o diâmetro de um
cabo diferir da média de mais de 0,3cm, ele é vendido por R$ 10; caso contrário, é
vendido por R$ 20. Qual o valor esperado de venda de cada cabo?

19
Capítulo 2

6. Sabendo que a função densidade da distribuição normal é

 x2 
1
0 e
2
3 x
f ( x)  e 2 avalie a integral dx
2

7. A estrutura de um telhado está apoiada em 3 pilares: A, B e C. Embora a carga

que o telhado transmite para cada um dos pilares possa ser estimada com razoável
precisão, a capacidade de suporte do solo, nos pontos nos quais os pilares estão
apoiados, pode ser considerada uma variável aleatória. Considere que as
deformações d(A), d(B) e d(C) sejam variáveis normais independentes com
médias 2, 2,5, 3cm e coeficientes de variação 20%, 20% e 25% respectivamente.
Qual é a probabilidade de que, sob carregamento, a deformação máxima do solo
ultrapasse 4cm?

8. O volume de tráfego aéreo num aeroporto, durante o horário de pico, é uma

variável aleatória com distribuição normal de média igual a 200 e desvio padrão
de 60 aeronaves.

a. Se a capacidade atual do aeroporto é de 350 aeronaves, qual é a

probabilidade de ocorrer um congestionamento no tráfego aéreo no horário
de pico?
b. Se não ocorrer nenhuma obra de expansão no aeroporto, qual será a
probabilidade de congestionamento daqui a 10 anos? Considere que o
volume de tráfego aéreo irá aumentar linearmente à taxa de 10% do atual
tráfego ao ano e que o coeficiente da variação permanecerá o mesmo.
c. Se a projeção de crescimento estiver correta, qual deverá ser a capacidade do
aeroporto daqui a 10 anos, para manter a probabilidade de congestionamento
no patamar atual?

9. Suponha que X tem a densidade normal com parâmetro µ e σ2 = 0,25. Determine

uma constante c tal que:
P ( |X-µ| ≤ c ) = 0,9

10. Dados históricos mostram que o índice pluviométrico numa determinada região
segue uma distribuição normal com média µ = 60mm e desvio padrão σ = 15mm.

(a)Qual é a probabilidade de que o índice num determinado ano fique entre

40mm e 70mm?
(b)Qual é o décimo percentual do índice pluviométrico (isto é, qual é o valor
que é antecedido por 10% dos valores da curva normal)?

11. Uma laje de concreto de 60m2 de área está apoiada em 6pilares. Se a resistência
de cada pilar pe uma variável normal com média de 16.000kgf e desvio padrão de
1500kgf e se a resistência do conjunto é a soma das resistências independentes
dos pilares, determine a probabilidade da laja não suportar uma sobrecarga de
1500kgf/m2

20
Capítulo 2

12. Um construtor estima que o tempo médio para completar um trabalho A seja de
30 dias. Devido a incertezas inerentes ao processo tais como: condições
atmosféricas, atrasos no fornecimento dos materiais, faltas de empregados, etc, o
construtor não fica muito seguro de terminar o trabalho no prazo de exatamente
30 dias. Entretanto, usando a sua experiência com esse tipo de obra, ele estima,
com 90%de probabilidade, completar o trabalho dentro de 40 dias. Seja X o nº de
dias para completar o trabalho A e admite que X tenha distribuição normal.

a) Determine a probabilidade de completar o trabalho em menos de 50 dias.

b) Qual o prazo que o construtor deve exigir para completar o trabalho com 99%
de probabilidade?
c) O construtor terá um lucro de 20.000 caso entregue a obra no prazo e pagará
uma multa contratual de 20% sobre o lucro se atrasar. Com que prazo deverá
trabalhar para ter um lucro esperado de 19.000?

21
Capítulo 2

RESPOSTAS – GRUPO 1

DISTRIBUIÇÃO BINOMIAL

1 – (a) 0,0188 (b) 0,3769

2 – (a) 0,0352 (b) 0,833 (c) 0,9386
3 - P(inspeção total)= 0,9999
4 – (a) 0,0355 (b) 0,0113 (c) =35
5 – (a) (0,1)10 (b) 9
6 – (a) 0,5904 (b) n=7

DISTRIBUIÇÃO GEOMÉTRICA

1 – (a) 0,0096 (b) 0,0394 (c) = 10

2- (a) 0,0315 (b) 0,8145
3- 0,08192

DISTRIBUIÇÃO DE POISSON

1 – 0,849
2 – 0,000457
3 – (a) 0,00674 (b) (221).exp(-20) (c) 0,286
4 – (a) 0,7361 (b) sim. Erro relativo da ordem de 0,04%
5 – 0,1991
6 – (a) 0,0888 (b) 0,6102
7- (a) 0,2865 (b) 0,0383 (c) 0,939
8 – (a) 0,1429 (b) R$ 1.080/3 horas (c) 0,135

22
Capítulo 2

RESPOSTAS – GRUPO 2

1 – 0,00034
2 – (a) R$ 133,38/peça (b) X=20,08MPa
3- μ = 195,9 σ= 2,52
4 – limites : 1754, 2000 e 2192
5- R$ 18,66/cabo
6 – 0,5117
7- 0,0925
8 – (a) 0,0062 (b) 0,6628 (c) 700 aeronaves
9 – c = 0,082
10- (a) 0,6568 (b) X = 40,8mm
11- 0,0516
12- (a) 0,9948 (b) X = 48,2dias (c) 35 dias

23