Variveis Aleatrias

GLADYS CACSIRE B.
AULA:
2
Definio [Varivel aleatria]
Seja O o espao amostra associado ao um experimento aleatrio. Uma
varivel aleatria, X, uma funo que tem como domnio a O e como
contradomnio um subconjunto dos nmeros reais.
Por exemplo , retiram-se, ao acaso, um artigo de um lote de 6
unidades e definem-se as variveis:
X: Nmero de falhas que tem o artigo elegido.
Y:Tempo de vida do artigo.
3
O espao amostral associado a este experimento aleatrio :
{ }
6 2 1
, , , a a a = O
Para o exemplo, os valores possveis da varivel X so 0,1,2,..., e os
valores possveis da varivel Y sero nmeros reais no negativos.
Ou seja, o contradomnio das variveis X, e Y so:
{ }
{ } 0 ;
, 3 , 2 , 1 , 0
> e =
=
t R t R
R
Y
X

As variveis aleatrias podem ser classificados:
Variveis aleatrias discretas. So aquelas variveis com
contradomnio um conjunto finito ou infinito enumervel
Variveis aleatrias continuas. So aquelas variveis cujo
contradomnio um conjunto infinito no enumervel
4
1. Variveis aleatrias discretas (VAD)
Funo de probabilidade:
Se X uma varivel aleatria discreta que tem como contradomnio Rx
uma funo f(x) chamada funo de probabilidade da varivel
aleatria X se tem como domnio a Rx e como contradomnio a um
conjunto de nmeros reais P[X=xi]= f(xi) que satisfaz as seguintes
condies:

e
=
s s
e > = =
X
i
R x
i
i
X i i i
x f iii
x f ii
R x x f x X P i
1 ) ( ) (
; 1 ) ( 0 ) (
, 0 ) ( ) ( ) (



Exemplo 1: Suponha que o Departamento de Eng.Eltrica formado
por 35 professores, sendo 21 homens e 14 mulheres. Uma comisso de
3 professores ser constituda, sorteando-se, ao acaso, trs membros
do departamento. Qual probabilidade da comisso ser formada por
pelo menos duas mulheres?
Vamos definir a varivel aleatria.
X: nmero de mulheres na comisso.
5
Espao amostral Probabilidade X
HHH
203 , 0
33
19
34
20
35
21
=
0
HHM
150 , 0
33
14
34
20
35
21
=
1
HMH
150 , 0
33
20
34
14
35
21
=
1
MHH
150 , 0
33
20
34
21
35
14
=
1
HMM
097 , 0
33
13
34
14
35
21
=
2
MHM
097 , 0
33
20
34
21
35
14
=
2
MMH
097 , 0
33
21
34
13
35
14
=
2
MMM
056 , 0
33
12
34
13
35
14
=
3

x 0 1 2 3
P(X=x) 0,203 0,450 0,291 0,056

0,347. 0,056 0,291 3) p(x 2) p(x 2) p(x , = + = = + = = > Assim
6
Exemplo 2: Suponha que a demando diria de uma pea uma varivel
aleatria discreta com a seguinte funo de probabilidade:
. 4 , 3 , 2 , 1 ;
!
2
) ( = = = d
d
C
d D P
d
(a) Determinar a constante C.
(b) P(D > 2).
Soluo: (a) J que, P(D=d) uma funo de probabilidade, o
qual implica que: (i) C>0; (iii) P(D=1)+P(D=2)+P(D=3)+P(D=4)=1.
Ou seja,
6
1
1
! 4
2
! 3
2
! 2
2
1
2
, 1 ) (
4 3 2
= =
|
|
.
|

\
|
+ + + = =

e
C C d D P
D
R d
3
2
6
4
6
2
1 ) 1 ( 1 ) 2 ( ) (
4 , 3 , 2 , 1 ;
! 6
2
) (
= = = = = >
= = =
D P D P b
d
d
d D P
d
7
Funo de distribuio acumulada de uma VAD
Definio [Funo de distribuio acumulada](FDA)
Seja X uma varivel aleatria discreta com contradomnio
R
X
={x
1
,x
2
,...} e funo de probabilidade f(x
i
)=P(X=x
i
), seja
xe R, a funo de distribuio acumulada de X denotado por
F(x), define-se :
X i
x x
i
x x
i
R x onde x X P x f x X P x F
i i
e = = = s =

s s
, ) ( ) ( ) ( ) (


Exemplo 3: Suponha que uma VAD, X, tem a seguinte funo de
probabilidade.

=
=
= = =
c c
x se
x se
x X P x f
. , 0
3 , 2 , 15 / 7
1 , 15 / 1
) ( ) (
Determinar F(x).
8

s
s
s
s
s
s
= = + = + = = = = s = >
= + + =
= + = + = = = = s = =
= = + = = = = s = < s
= + = = + = = = = s = =
= = = = = s = < s
= = = = = = s = =
= s = <
x x
i
x
i
x x
i
x
i
x x
i
x
i
i
i
i
i
i
i
X P X P X P x X P x X P F x Se
X P X P X P x X P X P F x Se
X P X P x X P x X P x F x Se
X P X P x X P X P F x Se
X P x X P x X P x F x Se
f X P x X P X P F x Se
x X P x F x Se
1 ) 3 ( ) 2 ( ) 1 ( ) ( ) ( ) 3 ( 3
1
15
7
15
7
15
1
) 3 ( ) 2 ( ) 1 ( ) ( ) 3 ( ) 3 ( 3
15
8
) 2 ( ) 1 ( ) ( ) ( ) ( 3 2
15
8
15
7
15
1
) 2 ( ) 1 ( ) ( ) 2 ( ) 2 ( 2
15
1
) 1 ( ) ( ) ( ) ( 2 1
15
1
) 1 ( ) 1 ( ) ( ) 1 ( ) 1 ( 1
0 ) ( ) ( 1
3
2
1
9
x 1
1
R de elementos so
) ( ) ( , ; [ se geral Em . ). 2 ( ) ( , 3 , 2 [
); 1 ( ) ( , 2 , 1 [ se que observar, se - Pode
+
+
= > e = > e
= > e
l l
l l l
x e x onde
x F x F ento x x x F x F ento x Se
F x F ento x
Observao 1:
Logo, a funo de distribuio acumulada pode-se escrever assim:

>
< s
< s
<
=
3 , 1
3 2 , 15 / 8
2 1 , 15 / 1
1 , 0
) (
x se
x se
x se
x se
x F
O grfico da FDA de X :
10
Se F(x) a FDA de uma VAD X com contradomnio
R
x
, satisfaz as seguintes propriedades:
1. Para todo xeR, 0s F(x) s 1.
2. F(x) uma funo montona no decrescente.

3.
1 ) ( 0 ) ( = =
+
x F Lim e x F Lim
x x

4. Se R
X
= {x
1
, x
2
,......}, tal que x
1
<x
2
<..., ento
f(x
i
)=P(X=x
i
)=F(x
i
)-F(x
i-1
).
5. Se a, b eR tal que, a<b, ento
) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
) ( 1 ) ( ) (
) ( ) ( ) (
b X P a F b F b X a P v
a X P a F b F b X a P iv
a F b F b X a P iii
a X P a X P ii
a F a X P i
= = < <
= + = s s
= s <
< = >
= s



Propriedades da funo de distribuio acumulada
11
Exemplo 4: A varivel aleatria X, tem a seguinte funo de distribuio acumulada:

>
< s
< s
< s
<
=
3
3 2
1
8 / 5
2 1 2 / 1
1 0 8 / 1
0 0
) (
x
x
se
se
x se
x se
x se
x F
Calcular:

=
=
= = =
=
= = = < = >
= = = s <
> s <
c c
x se
x se
x X P x f
R
b
F F X P
x f c X P b X P a
x
. 0
3 , 1 8 / 3
2 , 0 8 / 1
) ( ) (
: por dada X de ade probabilid de funo a que most rar se - pode
FDA, da 4 e propriedad Pela }. 3 , 2 , 1 , 0 { : que se - t em FDA, Da (c)
1/2. 1/2 - 1 F(1) - 1 2) P(X - 1 2) P(X : FDA da 5.i e propriedad Da ) (
, 2 / 1 2 / 1 1 ) 1 ( ) 3 ( ) 3 1 ( (a)
: que FDA t emos da 5.iii e propriedad Da
). ( ) ( ) 2 ( ) ( ); 3 1 ( ) (
12
2. Variveis aleatrias contnuas(VAC)
Funo de probabilidade.
Uma funo f(x) chamada funo densidade de probabilidade (f.d.p) da
varivel aleatria contnua X se satisfaz as seguintes condies.
}
}
= s s = s s =
=
e >

b
a
dx x f b X a P A P Ento b x a x A
dx x f
R x se x f
. ) ( ) ( ) ( }. ; { : evento o Seja . 3
. 1 ) ( . 2
. , 0 ) ( . 1
Exemplo 1:Suponha que o tempo de produo de um artigo (em minutos) uma
varivel aleatria, X que tem como funo de probabilidade:

s s

=
contrrio caso
x se
x
x f
, 0
4 2 ,
4
5
) (
Verificar se f(x), uma funo de densidade de probabilidade e calcular a
probabilidade que o tempo de produo de um artigo escolhido ao acaso seja
menor de 3 minutos.
13
Da figura, pode-se observar que a
funo f(x)>0 ( no negativo) para xeR.
Para que f(x) seja f.d.p. falta verificar a
condio (2), ou seja a rea sob o eixo x
e a funo f(x) igual a 1.
. 1 )
2
5 (
4
1
4
5
0
4
5
0 ) (
4
2
2
2 4
2 4
4
2
= =

= +

+ =
=


} } } } }
x
x
x dx
x
dx dx
x
dx dx x f
A probabilidade que o tempo de produo de um artigo escolhido ao acaso
seja menor de 3 minutos a probabilidade do evento: A={X<3}, ou seja,
8
5
)
2
5 (
4
1
) 5 (
4
1
0 ) ( ) 3 ( ) (
3
2
2
3 2 3
2
= = + = = < =
} } }

x
x dx x dx dx x f X P A P
14
Observao 2.1: Se X uma VAC, ento
R a todo para a X P a X P
R b a b X a P b X a P b X a P b X a P
R x todo para x X P
x
e < = s
e s < = s s = < s = < <
e = =
), ( ) (
. , todo para ), ( ) ( ) ( ) (
, 0 ) (
Funo de distribuio acumulada de uma VAC
Definio [Funo de distribuio acumulada] Seja X uma VAC com
f.d.p. f(x). A funo de distribuio acumulada (FDA) da VAC X,
define-se por:
R x dt t f x X P x F
x
e = s =
}

todo para , ) ( ) ( ) (
Exemplo 2. Considere a varivel aleatria X, do exemplo 1, isto ,

s s

=
contrrio caso
x se
x
x f
, 0
4 2 ,
4
5
) (
Determinar F(x).
15
( )
1 f(t)dt ) ( ) ( f(t)dt F(x)
, 4
.
8
) 5 ( 9
8
5
4
5
0 f(t)dt F(x)
se, - tem 4, x 2 Se
0. F(x) logo, , 0 ) ( que se - t em , 2 Se
0
x
4
1
4
2
0
2 x
-
2
2
2
2
2
x
-
= + + = =
>

=

+ = =
< s
= = <
} } } }
} } }



dt t f dt t f
se tem x Se
x t
dt
t
dt
x f x
x
x

>
< s

<
=
4 , 1
4 2
8
) 5 ( 9
2 , 0
) (
2
x se
x se
x
x se
x F
Logo, a FDA da VAC, X :
16
Observao 2.2.
A FDA de uma VAC X, permite o clculo de probabilidades de eventos
da forma (asXsb), onde a < beR. Isto ,
P(asXsb)=F(b) - F(a).
Exemplo 3. Considere a FDA, do exemplo 2 e obtenha: P(X s3) e
P(3,0 sX < 5).
Soluo: a FDA dada por:

>
s s

<
=
4 , 1
4 2
8
) 5 ( 9
2 , 0
) (
2
x se
x se
x
x se
x F
8
3
8
5
1 ) 3 ( ) 5 ( ) 5 0 , 3 (
8
5
8
) 3 5 ( 9
) 3 ( ) 3 (
2
= = = < s
=

= = <
F F X P
F X P
17
Propriedades da FDA de uma VAC
1. 0sF(x)s1, para todo xeR.
2. F(x) uma funo montona no decrescente.
3. F(x) uma funo contnua para todo xeR.
4.
} }




= = = =
x
x x
x
x x
dt t f x F e dt t f x F 1 ) ( lim ) ( lim 0 ) ( lim ) ( lim
}

= =
x
dt t f
dx
d
x F ) ( ) (
dx
d
f(x)
5. Do segundo teorema fundamental do clculo tem-se:
Exemplo 4. Suponha que o tempo de vida de um processador uma varivel
aleatria X com a seguinte FDA:

<
>
=

0 , 0
0 , 1
) (
2
x
x ke
x F
x
Determinar:
18
(a) o valor de k; (b) P(X>2), P(2 s X s 4) e P(X s-1). (c) f(x).
Soluo: (a) Pela propriedade 3 de F(x) temos: F(0)=0, o qual implica:

>
= = =

c c
k ke
. , 0
0 x se , e - 1
F(x) Logo, . 1 0 1
2
x
-
0

<
>
= =
= = s
= = = < s
= = < = >

0 , 0
0 ,
2
1
) ( ) (
: t emos cont nua, FDA da 5, e propriedad Da ) (
. 0 ) 1 ( ) 1 (
. ) 1 ( ) 1 ( ) 2 ( ) 4 ( ) 4 2 (
. ) 1 ( 1 ) 2 ( 1 ) 2 ( ) (
2
2 1 1 2
1 1
x
x e
x F
dx
d
x f
c
F X P
e e e e F F X P
e e X P X P b
x
19
Valor Esperado e Varincia de uma varivel aleatria
Definio[Valor esperado de uma varivel aleatria] Seja X uma
varivel aleatria com funo de probabilidade ou funo densidade de
probabilidade,f(x). O valor esperado, ou esperana matemtica ou
mdia da varivel aleatria, denotado por E(X)=, define-se como:
, ) ( ) (
cont nua, aleat ria varivel uma X Se . 2
, ) ( ) (
discret a, aleat ria varivel uma X Se 1.
}

e
=
=
dx x xf X E
x xf X E
X
R x
Definio[Varincia] Seja X uma varivel aleatria com funo de
probabilidade ou funo densidade de probabilidade,f(x) e valor
esperado E(X)=, a varincia da varivel aleatria, X, denotado por,
2
) ( o = X Var
define-se como valor esperado da varivel aleatria
( )
2
X
20
Soluo: (a) pela definio do valor esperado de uma VAD temos que:
9
19
! 4 6
2
3
! 3 6
2
3
! 2 6
2
2
6
2
1 ) ( ) (
4 3 2
=

+ = =

e
X
R x
x xf X E
Exemplo 5. Suponha que a demando diria de uma pea uma
varivel aleatria discreta com a seguinte funo de probabilidade:
.
. , 0
4 , 3 , 2 , 1 ,
! 6
2
) (

=
= =
c c
x
x
x X P
x
Determinar: (a) a demanda esperada. (b) a varincia da demanda.
, ) ( ) ( ) (
contnua, aleatria varivel uma X Se . 2
, ) ( ) ( ) (
discreta, aleatria varivel uma X Se 1.
2
2
}

e
=
=
dx x f x X Var
x f x X Var
X
R x

21
81
80
! 4 6
2
)
9
19
3 (
! 3 6
2
)
9
19
3 (
! 2 6
2
)
9
19
2 (
6
2
)
9
19
1 (
) ( ) ( ) (
4
2
3
2
2
2 2
2
=

+ =
= =

e
X
R x
x f x X Var
Definio[Desvio padro] definido como raiz quadrada positiva da
varincia, isto ,
) ( ) ( X Var X DP = =o
Propriedades do valor esperado e varincia de uma v.a.
Seja X e Y duas variveis aleatrias e a e b duas constantes reais.
( ) ) ( ) ( . 4
) ( ) ( . 3
) ( ) ( . 2
. ) ( . 1
Y bE X aE bY aX E
b X aE b aX E
X aE aX E
a a E
=
=
=
=
22
) ( ) ( ) ( ) Var(X
ento, tes, independen s n varivei so , , . 8
). ( ) ( a bY) Var(aX
ent o , indepent es aleat rias variveis so . 7
) ( ) ( . 6
0 ) ( . 5
2 1 2 1
1
2 2
2
n n
n
X Var X Var X Var X X
X X Se
Y Var b X Var
Y e X Se
X Var a aX Var
a Var

+ + = + +
+ =
=
=
Teorema: Se X uma varivel aleatria com mdia, , ento
2 2
) ( ) ( = X E X Var
Exemplo: Suponha que as vendas
dirias de um empresa que
comercializa equipamentos
eletrnicos (em dezenas de
milhares de dlares) uma
varivel aleatria com funo de
densidade;

s <

s s

=
. . , 0
6 4 ,
6
6
4 2 ,
3
2
) (
c c
x se
x
x se
x
x f
23
Escolhe-se ao acaso um dia de venda, determine:
(a) A probabilidade que as vendas da empresa seja maior de 22.000
dlares mais no maior de 45.000 dlares.
(b) A mdia e o desvio padro das vendas dirias.
(c) Se o lucro dirio definida pela funo Y=0,2X-0,5, calcule a
mdia e varincia do lucro dirio.
Soluo: Seja X: Vendas dirias de uma empresa (em dezenas de
milhares de dlares).
(a) Seja o evento A={2,2<X<4,5}, ento P(A)=?
805833 , 0
2
6
6
1
2
2 3
1
6
6
3
2
) ( ) 5 , 4 2 , 2 ( ) (
5 , 4
4
2
4
2 , 2
2
5 , 4
2 , 2
5 , 4
4
4
2 , 2
=
|
|
.
|

\
|
+
|
|
.
|

\
|

= = < < =
} } }
x
x x
x
dx
x
dx
x
dx x f X P A P
24
888889 , 14
9
134
6
6
3
2
) ( ) (
777778 , 3
9
34
6
6
3
2
) ( ) (
6
4
2
4
2
2 2 2
6
4
4
2
= =
|
.
|

\
|
+
|
.
|

\
|
= =
= =
|
.
|

\
|
+
|
.
|

\
|
= =
} } }
} } }

dx
x
x dx
x
x dx x f x X E
dx
x
x dx
x
x dx x xf X E
(b) Da definio de esperana matemtica temos:
Logo, a mdia e o desvio padro de X so respectivamente:
. 742 , 7856 81 / 50 ) (
) ( 81 / 50
9
34
9
134
) ( ) (
. 78 , 777 . 37 ) (
2
2
2 2 2
dlares X Var
dlares de milhares de dezenas
X E X Var
dlares X E
= = =
=
=
|
.
|

\
|
= = =
= =
o
o

(c) Seja, Y=0,2X-0,5. Das propriedades de valor esperado e varincia temos:

E(Y)=E(0,2X-0,5)=0,2E(X)-0,5=(0,5)(34/9)-0,5=0,25556
024691 , 0 ) 81 / 50 ( 2 , 0 ) ( 2 , 0 ) 5 , 0 2 , 0 ( ) (
2 2
= = = = X Var X Var Y Var
25
Principais modelos probabilsticos discretos
1. Modelo Bernoulli
Na prtica muitos experimentos que admitem apenas dois resultados
Exemplo:
1. Uma pea classificada como boa ou defeituosa;
2. O resultado de um exame mdico para deteco de uma doena positivo ou
negativa.
3. Um entrevistado concorda ou no com a afirmao feita;
4. No lanamento de um dado ocorre ou no face 6;
5. No lanamento de uma moeda ocorre cara ou coroa.
Situaes com alternativos dicotmicas, podem ser representadas
genericamente por resposta do tipo sucesso-fracasso.
Esses experimentos recebem o nome de Ensaio de Bernoulli e originam uma v.a.
com distribuio de Bernoulli.
26
1.2 Varivel Aleatria De Bernoulli
uma varivel aleatria X que apenas assume apenas dois valores 1 se
ocorrer sucesso (S) e 0 se ocorrer fracasso (F), e, sendo p a
probabilidade de sucesso, 0 < p <1. Isto , se X(S)=1 e X(F)=0. Logo a
distribuio de probabilidade dado por:
x
P(X=x)
0 1
1-p p
Notao: X~Bernoulli (p), indica que a v.a. X tem distribuio de Bernoulli.
Se X~Bernoulli(p) pode-se mostrar que:
E(X)=p
Var(X)=p(1-p).
Repeties independentes de um ensaio de Bernoulli do origem ao
modelo Binomial.

=
= = =

c c
x p p
x X P x f
x x
. ; 0
1 , 0 ; ) 1 (
) ( ) (
1
27
2. Modelo Binomial
Exemplo 1: Suponha que uma moeda lanada 3 vezes e probabilidade de
cara seja p em cada lanamento. Determinar a distribuio de probabilidade
da varivel X, nmero de caras nos 3 lanamentos.
Denotemos, S: sucesso, ocorrer cara (c) e F:fracasso, ocorrer coroa(k).
O espao amostral para o experimento de lanar um moeda 3 vezes :
O={FFF.FFS, FSF,SFF,FSS, SFS, SSF,SSS}
Seja, Xi uma varivel aleatria Bernoulli (i=1,2,3). Ento a varivel
X=X1+X2+X3, representa o nmero de caras nos 3 lanamentos. Pode-se
mostrar que Xi ~Bernoulli(p).
O
Probabilidade X
1
X
2
X
3
X=X
1
+X
2
+X
3
FFF (1-p)
3
0 0 0 0
FFS (1-p)
2
p 0 0 1 1
FSF (1-p)
2
p 0 1 0 1
SFF (1-p)
2
p 1 0 0 1
FSS (1-p)p
2
0 1 1 2
SFS (1-p)p
2
1 0 1 2
SSF (1-p)p
2
1 1 0 2
SSS P
3
1 1 1 3

28
3
2
2
3
}) ({ ) 3 (
) 1 ( 3 }) , , ({ ) 2 (
) 1 ( 3 }) , , ({ ) 1 (
) 1 ( }) ({ ) 0 (
p SSS P X P
p p SSF SFS FSS P X P
p p SFF FSF FFS P X P
p FFF P X P
= = =
= = =
= = =
= = =
Da temos que:
A distribuio de probabilidade da v.a. X dada por:
3 2 2 3
) 1 ( 3 ) 1 ( 3 ) 1 ( ) ( ) (
3 2 1 0
p p p p p p x X P x f
x
= =
O comportamento de X , pode ser representado pela seguinte funo:
)! 3 ( !
! 3
3
. , 0
3 , 2 , 1 , 0 , ) 1 (
3
) (
3
x x x
onde
c c
x p p
x
x f
x x

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

29
Definio[Distribuio Binomial]
Considere a repetio de n ensaios de Bernoulli independentes e todos com a
mesma probabilidade de sucesso p. A varivel aleatria que conta o nmero
total de sucessos nos n ensaios de Bernoulli denominada de varivel
aleatria Binomial com parmetros n e p e sua funo de probabilidade dado
por:
Binomial. e coeficient o representa ,
)! ( !
!
. , 0
, , 1 , 0 , ) 1 (
) (
x n x
n
x
n
onde
c c
n x p p
x
n
x f
x n x

=
|
|
.
|

\
|

=
|
|
.
|

\
|
=

Notao, X~B(n,p), para indicar que v.a. X tem distribuio Binomial com
parmetros n e p.
Se X~Bernoulli(p) pode-se mostrar que:
E(X)=np
Var(X)=np(1-p).
30
A professora da disciplina de Estatstica e probabilidade elaborou um
prova de mltipla escolha, consistente em 10 questes cada uma com 5
alternativas cada questo. Suponha que nenhum dos estudantes que vo a
fazer a prova no vo as aulas e no estudaram para a prova (o que
muito freqente). O professor estabeleceu que para aprovar deve contestar
corretamente ao menos 6 questes. Se 100 se apresentaram, quantos
alunos aprovaram a disciplina?.
Soluo:Seja a v.a. X: nmero de questes respondidas corretamente nas 10
questes. Ento o evento de interesse :
S: questo respondida corretamente
F:questo respondida incorretamente
P(S)=1/5 e P(F)=4/5. Logo, X~B(10,p).

=
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
=

c c
x
x
x f
x x
. , 0
10 , , 1 , 0 ,
5
4
5
1
10
) (
10

A probabilidade de aprovar a prova um aluno :

=
|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|
= >
10
6
10
0197 , 0
5
4
5
1
10
) 6 (
x
x x
x
X P
Portanto, dos 100 alunos que fizeram a prova aprovariam:100(0,0197)~2, alunos
Exemplo 2.
31
3. Modelo Poisson
Na prtica muitos experimentos consistem em observar a ocorrncia de
eventos discretos em um intervalo contnuo (unidade de medida)
Exemplo:
1. Nmero de machas (falhas) por metro quadrado no esmaltado de uma
geladeira.
2. Nmero de chamadas que chegam a uma central telefnica de uma empresa
num intervalo de tempo (digamos de 8,0 a 12,0).
3. Nmero de bactrias em um centmetro cbico de gua.
4. Nmero de autos que chegam ao Campus entre 7,0 a.m. a 10,0 a.m.
Definio[Distribuio de Poisson] Uma varivel discreta X tem distribuio
de Poisson com parmetro se sua funo de probabilidade dada por:

=
=

. . ; 0
, 2 , 1 , 0
!
) (
c c
x
x
e
x f
x

32
Onde: X: nmero de eventos discretos em t unidades de medida,
: media de eventos discretos em uma unidade de medida,
t: unidade de medida
= t: media de eventos discretos em t unidades de medida
Exemplo 1. Suponha que a central telefnica de uma empresa de grande porte
recebe em mdia 3 chamadas cada 4 minutos. Qual a probabilidade que a
central recepcione 2 ou menos chamadas em um intervalo de 2 minutos?
Notao: X~P(), para indicar que a v.a. X tem distribuio de Poisson com
parmetro . Pode-se mostrar que se X~P()
E(X)= , Var(X)=
Se X: nmero de chamadas que recebe a central telefnica da empresa
em 2 minutos, ento, X ~P(). Aqui t=2 e =3/4=0,75, ento =(0,75)(2)=1,5.
Ou seja X~P(1,5)
. 808847 , 0 ]
2
5 , 1
5 , 1 1 [ ) 2 ( ) 1 ( ) 0 ( ) 2 (
.... 3 , 2 , 1 , 0 ,
!
5 , 1
) (
2
5 , 1
5 , 1
= + + = = + = + = = s
= =

e X P X P X P X P
x
x
e
x f
x
33
4. Modelo Normal
Uma varivel aleatria contnua X tem distribuio normal com mdia
e varincia , se sua funo de densidade dada por:
2
o
R x e x f
x
e =
|
.
|

\
|

,
2
1
) (
2
o

o t
). , ( ~ :
2
o N X Notao
34
Distribuies normais
com mdias diferentes e
varincias iguais.
Distribuies normais
com mdias iguais e
varincias diferentes
35
Propriedades da distribuio normal
2
) ( , ) ( ) ( o = = X Var X E a
(b) A distribuio simtrica ao redor de sua mdia.
(c) A rea total sob curva igual a um portanto, cada metade da curva
tem 0,5 da rea total.
(d)
9973 , 0 ) 3 3 (
9546 , 0 ) 2 2 (
6896 , 0 ) (
= + s s
= + s s
= + s s
o o
o o
o o
X P
X P
X P
36
dt
t
x F
x
}

|
|
.
|

\
|
|
.
|

\
|

=
2
2
1
exp
2
1
) (
o

o t
A funo de distribuio acumulada de uma v.a ). , ( ~
2
o N X
37
Distribuio normal padro ou reduzida
Se Z uma varivel aleatria normal com mdia zero e varincia um,
ento Z chamado de uma v.a. normal padro ou reduzida e sua f.d.p
dada por:
R z e z f
z
e =

,
2
1
) (
2
2
t
A funo de distribuio acumulada de uma v.a Z~N(0,1) d
dt t x z P z
z
) 5 , 0 exp(
2
1
) ( ) (
2
= s = u
}

t
38
Uso da Tabela Normal
dt t x z P z
z
) 5 , 0 exp(
2
1
) ( ) (
2
= s = u
}

t
39

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07
0,0 0,500000 0,503989 0,507978 0,511966 0,515953 0,519939 0,523922 0,527903
0,1 0,539828 0,543795 0,547758 0,551717 0,555670 0,559618 0,563559 0,567495
0,2 0,579260 0,583166 0,587064 0,590954 0,594835 0,598706 0,602568 0,606420
0,3 0,617911 0,621719 0,625516 0,629300 0,633072 0,636831 0,640576 0,644309
0,4 0,655422 0,659097 0,662757 0,666402 0,670031 0,673645 0,677242 0,680822
0,5 0,691462 0,694974 0,698468 0,701944 0,705401 0,708840 0,712260 0,715661
0,6 0,725747 0,729069 0,732371 0,735653 0,738914 0,742154 0,745373 0,748571
0,7 0,758036 0,761148 0,764238 0,767305 0,770350 0,773373 0,776373 0,779350
0,8 0,788145 0,791030 0,793892 0,796731 0,799546 0,802337 0,805106 0,807850
0,9 0,815940 0,818589 0,821214 0,823814 0,826391 0,828944 0,831472 0,833977
1,0 0,841345 0,843752 0,846136 0,848495 0,850830 0,853141 0,855428 0,857690
1,1 0,864334 0,866500 0,868643 0,870762 0,872857 0,874928 0,876976 0,878999
1,2 0,884930 0,886860 0,888767 0,890651 0,892512 0,894350 0,896165 0,897958
1,3 0,903199 0,904902 0,906582 0,908241 0,909877 0,911492 0,913085 0,914656
1,4 0,919243 0,920730 0,922196 0,923641 0,925066 0,926471 0,927855 0,929219
1,5 0,933193 0,934478 0,935744 0,936992 0,938220 0,939429 0,940620 0,941792
1,6 0,945201 0,946301 0,947384 0,948449 0,949497 0,950529 0,951543 0,952540
1,7 0,955435 0,956367 0,957284 0,958185 0,959071 0,959941 0,960796 0,961636
1,8 0,964070 0,964852 0,965621 0,966375 0,967116 0,967843 0,968557 0,969258
1,9 0,971284 0,971933 0,972571 0,973197 0,973810 0,974412 0,975002 0,975581
2,0 0,977250 0,977784 0,978308 0,978822 0,979325 0,979818 0,980301 0,980774
2,1 0,982136 0,982571 0,982997 0,983414 0,983823 0,984222 0,984614 0,984997
2,2 0,986097 0,986447 0,986791 0,987126 0,987455 0,987776 0,988089 0,988396
2,3 0,989276 0,989556 0,989830 0,990097 0,990358 0,990613 0,990863 0,991106
2,4 0,991802 0,992024 0,992240 0,992451 0,992656 0,992857 0,993053 0,993244
2,5 0,993790 0,993963 0,994132 0,994297 0,994457 0,994614 0,994766 0,994915
2,6 0,995339 0,995473 0,995603 0,995731 0,995855 0,995975 0,996093 0,996207
2,7 0,996533 0,996636 0,996736 0,996833 0,996928 0,997020 0,997110 0,997197
2,8 0,997445 0,997523 0,997599 0,997673 0,997744 0,997814 0,997882 0,997948
2,9 0,998134 0,998193 0,998250 0,998305 0,998359 0,998411 0,998462 0,998511
3,0 0,998650 0,998694 0,998736 0,998777 0,998817 0,998856 0,998893 0,998930
3,1 0,999032 0,999064 0,999096 0,999126 0,999155 0,999184 0,999211 0,999238
3,2 0,999313 0,999336 0,999359 0,999381 0,999402 0,999423 0,999443 0,999462
3,3 0,999517 0,999533 0,999550 0,999566 0,999581 0,999596 0,999610 0,999624
3,4 0,999663 0,999675 0,999687 0,999698 0,999709 0,999720 0,999730 0,999740
3,5 0,999767 0,999776 0,999784 0,999792 0,999800 0,999807 0,999815 0,999821
3,6 0,999841 0,999847 0,999853 0,999858 0,999864 0,999869 0,999874 0,999879
3,7 0,999892 0,999896 0,999900 0,999904 0,999908 0,999912 0,999915 0,999918
3,8 0,999928 0,999930 0,999933 0,999936 0,999938 0,999941 0,999943 0,999946
3,9 0,999952 0,999954 0,999956 0,999958 0,999959 0,999961 0,999963 0,999964

40
Exemplo: Seja Z~N(0,1), determinar:
(a) P(Z<1,80)
(b) P(0,80<Z<1.40)
(c) P(Z<-0,57)
(d) O valor de k tal que: P(Z<k)=0,05.
Soluo: da tabela normal padro tem-se:
0,1311 0,78814 - 0,91924 (0,80) - (1,40) 1,40) Z P(0,80 (b)
0,964070 ) 80 , 1 ( ) 80 , 1 ( ) (
= = u u = < <
= u = < Z P a
0,204339. 715661 , 0 1 ) 57 , 0 ( 1 ) 57 , 0 ( ) ( = = s = < Z P Z P c
64 , 1 05 , 0 ) ( ) ( = = < k k Z P d
Observao:
1 ) ( 2 ) ( ) (
0 ), ( 1 ) ( ) (
s = s s
> s = s
k Z P k Z k P ii
k k Z P k Z P i
41
Teorema (Transformao linear de uma varivel normal)
Se X uma v.a. normal com mdia e varincia
o
2
, ento a varivel aleatria Y=a+bX tem
distribuio normal com mdia
y
e varincia
2 2 2
o o b
Y
= .

Uma conseqncia do teorema anterior a varivel
) 1 , 0 ( ~ N
X
Z
|
.
|

\
|

=
o

Exemplo: Se X~N(90,100). Determinar:
(a) P(80< X < 100)
(b) P(|X-90|<30)
(c) O valor de a tal que: P(90-2a <X< 90+2a)=0,99
42
. 47725 , 0 ) 97725 , 0 1 ( 5 , 0
)) 2 ( 1 ( ) 0 ( ) 2 ( ) 0 (
) 0 2 ( )
10
100 100
10
90 80
( ) 100 80 ( ) (
= =
= s s = s s =
= < < =

<

<

= < <
Z P Z P Z P Z P
Z P
X
P X P a
o

0,9973 1 - 0.998650 2 1 ) 3 ( 2 ) 3 3 (
)
10
30
10
90
10
30
( ) 30 90 30 ( ) 30 | 90 (| ) (
= = < = < < =
= <

< = < < = <

Z P Z P
X
P X P X P b
85 , 12 57 , 2
5
995 , 0 )
5
( 99 , 0 1 )
5
( 2
10
2
10
90
10
2
) 2 90 2 ( ) 2 90 2 90 ( ) (
= =
= < = s =
|
.
|

\
|
<

< = < < = + < <

a
a
a
Z P
a
Z P
a X a
P a X a P a X a P c
43
Exemplo: O tempo gasto no exame vestibular de uma universidade
tem distribuio normal com mdia 120 minutos e desvio padro
15 minutos.
(a) Sorteando-se um aluno ao acaso, qual probabilidade dele
terminar o exame antes de 100 minutos?
X: tempo gasto no exame vestibular.
0,091769 0,908241 1 ) 33 , 1 ( 1
) 33 , 1 ( 1
) 33 , 1 (
15
120 100
) 100 (
). 15 , 120 ( ~
2
= = u =
< =
s =
|
.
|

\
|

< = <
Z P
Z P Z P X P
N X
44
(b) Qual deve ser o tempo de prova de modo que permita o 95% dos
vestibulandos terminem no prazo estipulado?
95 , 0
15
120
) (
95 , 0 ) (
=
|
.
|

\
|

< = <
= <
x
Z P x X P
x X P
z=? , tal que u(z)=0,95
Da tabela z= 1,64
(c) Qual o intervalo central de tempo, tal que 80% dos estudantes
gastam para completar o exame?
2 , 128 5 64 , 1 120 = + = x
45
80 . 0
15
120
15
120
80 , 0 ) (
2 1
2 1
=
|
.
|

\
|

s s

= s s
x
Z
x
P x X x P
z=? , tal que u(z)=0,90
Da tabela z= 1,28
. min 2 , 139 28 , 1 15 120 28 , 1
15
120
. min 8 , 100 28 , 1 15 120 28 , 1
15
120
1 1
1
1 1
1
= + = =

= = =

x x
x
x x
x
46
Teorema( Combinao Linear de variveis aleatrias normais)
Sejam
n
X X , ,
1
, n variveis aleatrias independentes onde X
i
~N(
i
, o
i
2
), para
i=1,...,n. Sejam
n
a a , ,
1
constantes reais. Seja a varivel aleatria Y uma
combinao linear das variveis aleatrias normais. Isto

n n
X a X a Y + + =
1 1
Ento a varivel aleatria Y tem distribuio normal com mdia
i
n
i
i n n Y
a a a

=
= + + =
1
1 1

e varincia
2
1
2 2
1 1 i
n
i
i n n Y
a a a o o o

=
= + + =
47
Exemplo: Uma companhia embala em cada caixa 5 pires e 5 xcaras. Os
pesos dos pires distribuem-se normalmente com mdia de 190 g e
desvio padro 100 g. Os pesos das xcaras tambm so normais com
mdia 170 g e desvio padro 12,25 g. O peso da embalagem
praticamente constante e igual a 100 g.
(a) Qual a probabilidade da caixa pesar menos de 2000 g?
completa. caixa da peso : C
embalagem; da peso : E
xcara; sima - i do peso : X
pires; simo - i do peso :
i
i
P
Soluo. Sejam,

= =
+ + = + + + + + + + + =
n
i
i
n
i
i
xcaras das peso
n
pires dos peso
n
E X P E X X X P P P C
1 1
2 1 2 1




48
Tem-se interesse: P(C < 2000)=? Do problema temos:
n i N X N P
i i
, , 1 ) 25 , 12 , 170 ( ~ ), 10 , 190 ( ~
2 2
=
Do teorema anterior C distribui-se normalmente com mdia
g
E X E P E
n
i
i
n
i
i C
1900 100 170 5 190 5
) ( ) (
1 1
= + + =
+ + =

= =

2 2 2
1 1
2
1250 0 25 , 12 5 10 5
) ( ) ( ) (
g
E Var X Var P Var
n
i
i
n
i
i C
= + + =
= + + =

= =
o
e varincia
0,997673 ) 83 , 2 (
1250
1900 2000
) 2000 (
= s =
= |
.
|

\
|
s = <
Z P
Z P C P
49
(b) Qual a probabilidade de uma xcara pesar mais que um pires
numa escolha ao acaso?
Seja X: peso de uma xcara; P: peso de um pires. P(X > P)=P(X P >0)=?
. 250 25 , 12 10
; 20 190 170
) ; ( ~
2 2 2 2 2
2
= + = + =
= = =
=
P X Y
P X Y
Y Y
onde
N P X Y Seja
o o o

o
Logo,
0,103835.
0,896165 1 ) 26 , 1 ( 1
250
) 20 ( 0
1
) 0 ( 1 ) 0 (
=
= s =
|
.
|

\
|
s =
s = >
Z P
Z P
Y P Y P
50
Corolrio (Propriedade reprodutiva da distribuio normal)
Sejam
n
X X , ,
1
, n variveis aleatrias independentes onde X
i
~N(, o
2
), para
i=1,...,n. Ento a varivel aleatria

=
= + + =
n
i
i n
X X X Y
1
1

tem distribuio normal com mdia n e varincia ) , ( ~ , isto ,
2 2
o o n n N Y n
). 1 , 0 ( ~
/
1
N
n
X
n
n X
Y
n
i
i
o

o

=
Exemplo: o peso de uma caixa de peas uma varivel aleatria normal
com mdia de 65 kg e desvio padro de 4 kg. Um carregamento de 120
caixas de peas feito. Qual a probabilidade que a carga pesar
entre 7.893 kg e 7.910 kg?
51
120 , , 1 ), 16 , 65 ( ~ caixa sima - i da peso : = i N X X
i i
) 1920 , 7800 ( ~
) 16 120 , 65 120 ( ~ carga da peso :
120
1
N Y
N X Y Y
i
i
=

=
010966 , 0 482997 , 0 493963 , 0
) 12 , 2 ( ) 51 , 2 ( ) 51 , 2 12 , 2 (
1920
7800 7910
1920
7800 7893
) 7910 7893 (
= =
u u = s s =
|
.
|

\
|
s s

= s s
Z P
Z P Y P