AULA: 10-16

Principais Modelos Contnuos

Prof. Vctor Hugo Lachos Dvila

Varivel Aleatria Contnua:

Assume valores num intervalo de nmeros reais.
No possvel listar, individualmente, todos os possveis
valores de uma v.a. contnua.
Associamos probabilidades a intervalos de valores da
varivel.
Infinitos valores de X
P(X=x)

Varivel aleatria
contnua (funco
densidade de
probabilidade,f.d.p.)

f(x)

Varivel
aleatria
discreta (f.p.)
1 2

3 4 5 6

x
2

Propriedades dos Modelos Contnuos

Uma v.a. X contnua caracterizada por sua funo
densidade de probabilidade f(x) (f.d.p) com as propriedades:

(i) A rea sob a curva de densidade 1, isto ,

(ii) f(x) 0, para todo x;

f ( x)dx = 1
R

P(a X b) = rea sob a curva da densidade f(x) e

acima do eixo x, entre os pontos a e b;

(iii)

(iv) P(X = x0) = 0, para x0 fixo.

Assim,
P(a < X < b) = P(a X < b)

= P(a < X b) = P(a X b)= f ( x)dx

a

MDIA E VARINCIA (v.a. continuas)

Valor Esperado (mdia): Dada a v. a. X, o valor
esperado ou esperana matemtica de X dada por

E(X) = xf (x)dx

Notao: = E(X)
Varincia: o valor esperado da v.a. (X E(X))2, ou
seja,

Var(X) = (x - ) f ( x ) dx = E ( X ) ( E ( X ))
2

Notao:

= V ar (X)
4

Exemplo 1
A durao, em anos, de uma lmpada especial uma varivel
aleatria contnua com funo densidade dada por:
f(x)

ce

2 x

, x 0
, c.c

f(x)

= ce

2 x

I ( 0 , ) ( x )

Notaco usual

1.Encontre o valor da constante c:Das propiredades vistas temos que

c>0 e

f(w)dw = 1

2 w
0
dw
+
c
e

dw = 1

c=2

2.Encontre a funo de distribuio(f.d.a): c: Da definio temos que

x

F(x) = P(X x) = f(w)dw

-

Claro que para x<0, F(x)=0,

pois a funo densidade
nula e para x0, temos
5

Continuao exemplo 1
x

F(x)

2e

2w

dw = 1 e

2x

ou F(x)

0
1 - 2e 2x

,x < 0
, x 0

3. Calcule a probabilidade da lampada durar at 2 anos: Calculamos

F(2)

= 1 e 2 ( 2 ) = 0 , 98

4. Calcule o valor esperado da durao em anos da lampada:

E(X) =

wf ( w ) dw =

w 0 dw + 2 we

2w

dw = 0 . 5

IMPORTANTE: Integral por partes e Teorema de Lhospital

b

f ( x ) d ( g ( x )) = f ( x ) g ( x ) | ba g ( x ) d ( f ( x ))
a

1. Modelo Uniforme
Uma varivel aleatria contnua X tem distribuio uniforme com
parmetros e se sua funo de densidade de probabilidade dada
por:

1
, x

f ( x) =
0,
c.c
Notao: X~U( , ))
A funo de distribuio acumulada dado por:

0
x
F ( x) =

1

E( X ) =

+
2

x<0

x
x

(
)2
Var ( X ) =
12

Exemplo: A dureza X de uma pea de ao pode ser pensada como

sendo uma varivel aleatria uniforme no intervalo (50,70) da
escala Rockwel. Qual a probabilidade de que uma pea tenha
dureza entre 55 e 60?
Soluo: Seja X: dureza de uma pea de ao, X~U(50,70)

1
, 50 x 70
f ( x) = 20
0,
c.c
Portanto,

60

P ( 55 < X < 60 ) =

1
5
dx
=
55 20
20

Tambm,

70 + 50
E(X ) = =
= 60
2

( 70 50 ) 2
=
= 33 ,3
12
2

2. Modelo Exponencial
Uma varivel aleatria contnua X tem distribuio exponencial com
parmetro , se sua funo de densidade dado por

1 x

f (x) = e ,
0 ,

x0
c .c

Notao: X~Ex().
A funo de distribuio acumulada dado por:
x

1
e
,
F ( x) =
0

Pode-se mostrar:

x0
c.c

E ( X ) = , Var ( X ) = 2
9

Exemplo: Certo tipo de fusvel tem durao de vida que segue uma
distribuio exponencial com tempo mdio de vida de 100 horas.
Cada pea tem um custo de 10,0 unidades monetrias (u.m) e se
durar menos de 20 horas, existe um custo adicional de 8.0 u.m.
(a) Qual a probabilidade de uma durar mais de 150 horas?
(b) Determinar o custo esperado.
Soluo: Se X: tempo de durao de uma pea, do enunciado tem-se
que: E(X)=100 horas e X~Ex(100). Ou seja,
x

100

1
e
,
F ( x) =

x0
c.c

(a) P( X > 150) = 1 P( X 150) = 1 (1 e

150
100

) = e 1,5 = 0,223
10

(b) Seja C o custo total de uma pea.

10 ,
C =
10 + 8 ,

se x 200
se x < 200

O custo total esperado : E(C)=10P(C=10)+18P(C=18)

P(C = 10) = P( X 200) = 1 P( X 200) = 1 F (200) = e 2

P(C = 18) = P( X 200) = F (200) = 1 e 2
E ( C ) = 10 e 2 + 18 (1 e 2 ) = 16 , 918 u . m

11

4. Modelo Normal
Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas
selecionadas ao acaso em uma populao.
O histograma por densidade o seguinte:

Densid ade

0 .04

0 .03

0 .02

0 .01

0 .00
30

40

50

60

70

80

90

1 00

P es o

12

A anlise do histograma indica que:

- a distribuio dos valores aproximadamente simtrica
em torno de 70kg;
- a maioria dos valores (88%) encontra-se no intervalo
(55;85);
- existe uma pequena proporo de valores abaixo de 48kg
(1,2%) e acima de 92kg (1%).

13

Vamos definir a varivel aleatria

X: peso, em kg, de uma pessoa adulta
escolhida ao acaso da populao.
Como se distribuem os valores da varivel aleatria X, isto ,
qual a distribuio de probabilidades de X ?

Densidade

0.030

0.015

0.000
30

40

50

60

70

80

90

100

P eso

A curva contnua da figura denomina-se curva Normal.

14

A distribuio Normal uma das mais importantes

distribuies contnuas de probabilidade pois:

Muitos fenmenos aleatrios comportam-se de forma

prxima a essa distribuio. Exemplos:
1. altura
2. presso sangnea
3. etc.

Pode ser utilizada para calcular, de forma aproximada,

probabilidades para outras distribuies, como por
exemplo, para a distribuio Binomial.
15

O Modelo Normal
Uma varivel aleatria contnua X tem distribuio normal com mdia
e varincia 2 , se sua funo de densidade dada por:

1
f ( x) =
e
2

x 2

, xR

Notao : X ~ N ( , 2 ).

16

Distribuies
normais
com mdias diferentes e
varincias iguais.

Distribuies
normais
com mdias iguais e
varincias diferentes

17

Propriedades da distribuio normal

(a ) E ( X ) = , Var ( X ) = 2
(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)

P ( X + )

= 0 , 6896

P ( 2 X + 2 ) = 0 , 9546
P ( 3 X + 3 ) = 0 , 9973

18

A funo de distribuio acumulada de uma v.a

x

F ( x) =

1
1
exp
2
2

X ~ N ( , 2 ).

dt

19

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:

1
f ( z) =
e
2

z2

, zR

A funo de distribuio acumulada de uma v.a Z~N(0,1) d

(z) = P (Z z) =

1
exp( 0 , 5 t 2 ) dt
2
20

Uso da Tabela Normal

(z) = P (Z z) =

1
exp( 0 , 5 t 2 ) dt
2

Observao:

( i ) P ( Z z ) = ( z ) = 1 P ( Z z ) = 1 ( z ), z > 0
( ii ) P ( z Z z ) = 2 P ( Z z ) 1 = 2 ( z ) 1
( iii ) P ( a Z b ) = ( b ) ( a ), a , b R
21

Distribuio normal: valores de P(Zz)=(z), z0

z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9

0,00
0,500000
0,539828
0,579260
0,617911
0,655422
0,691462
0,725747
0,758036
0,788145
0,815940
0,841345
0,864334
0,884930
0,903199
0,919243
0,933193
0,945201
0,955435
0,964070
0,971284
0,977250
0,982136
0,986097
0,989276
0,991802
0,993790
0,995339
0,996533
0,997445
0,998134
0,998650
0,999032
0,999313
0,999517
0,999663
0,999767
0,999841
0,999892
0,999928
0,999952

0,01
0,503989
0,543795
0,583166
0,621719
0,659097
0,694974
0,729069
0,761148
0,791030
0,818589
0,843752
0,866500
0,886860
0,904902
0,920730
0,934478
0,946301
0,956367
0,964852
0,971933
0,977784
0,982571
0,986447
0,989556
0,992024
0,993963
0,995473
0,996636
0,997523
0,998193
0,998694
0,999064
0,999336
0,999533
0,999675
0,999776
0,999847
0,999896
0,999930
0,999954

0,02
0,507978
0,547758
0,587064
0,625516
0,662757
0,698468
0,732371
0,764238
0,793892
0,821214
0,846136
0,868643
0,888767
0,906582
0,922196
0,935744
0,947384
0,957284
0,965621
0,972571
0,978308
0,982997
0,986791
0,989830
0,992240
0,994132
0,995603
0,996736
0,997599
0,998250
0,998736
0,999096
0,999359
0,999550
0,999687
0,999784
0,999853
0,999900
0,999933
0,999956

0,03
0,511966
0,551717
0,590954
0,629300
0,666402
0,701944
0,735653
0,767305
0,796731
0,823814
0,848495
0,870762
0,890651
0,908241
0,923641
0,936992
0,948449
0,958185
0,966375
0,973197
0,978822
0,983414
0,987126
0,990097
0,992451
0,994297
0,995731
0,996833
0,997673
0,998305
0,998777
0,999126
0,999381
0,999566
0,999698
0,999792
0,999858
0,999904
0,999936
0,999958

0,04
0,515953
0,555670
0,594835
0,633072
0,670031
0,705401
0,738914
0,770350
0,799546
0,826391
0,850830
0,872857
0,892512
0,909877
0,925066
0,938220
0,949497
0,959071
0,967116
0,973810
0,979325
0,983823
0,987455
0,990358
0,992656
0,994457
0,995855
0,996928
0,997744
0,998359
0,998817
0,999155
0,999402
0,999581
0,999709
0,999800
0,999864
0,999908
0,999938
0,999959

0,05
0,519939
0,559618
0,598706
0,636831
0,673645
0,708840
0,742154
0,773373
0,802337
0,828944
0,853141
0,874928
0,894350
0,911492
0,926471
0,939429
0,950529
0,959941
0,967843
0,974412
0,979818
0,984222
0,987776
0,990613
0,992857
0,994614
0,995975
0,997020
0,997814
0,998411
0,998856
0,999184
0,999423
0,999596
0,999720
0,999807
0,999869
0,999912
0,999941
0,999961

0,06
0,523922
0,563559
0,602568
0,640576
0,677242
0,712260
0,745373
0,776373
0,805106
0,831472
0,855428
0,876976
0,896165
0,913085
0,927855
0,940620
0,951543
0,960796
0,968557
0,975002
0,980301
0,984614
0,988089
0,990863
0,993053
0,994766
0,996093
0,997110
0,997882
0,998462
0,998893
0,999211
0,999443
0,999610
0,999730
0,999815
0,999874
0,999915
0,999943
0,999963

0,07
0,527903
0,567495
0,606420
0,644309
0,680822
0,715661
0,748571
0,779350
0,807850
0,833977
0,857690
0,878999
0,897958
0,914656
0,929219
0,941792
0,952540
0,961636
0,969258
0,975581
0,980774
0,984997
0,988396
0,991106
0,993244
0,994915
0,996207
0,997197
0,997948
0,998511
0,998930
0,999238
0,999462
0,999624
0,999740
0,999821
0,999879
0,999918
0,999946
0,999964

22

Exemplo: Seja Z~N(0,1), determinar:

(a)
(b)
(c)
(d)

P(Z<1,80)
P(0,80<Z<1.40)
P(Z<-0,57)
O valor de k tal que: P(Z<k)=0,05.

Soluo: da tabela normal padro tem-se:

(a) P(Z < 1,80) = (1,80) = 0,964070

(b) P(0,80 < Z < 1,40) = (1,40) - (0,80) = 0,91924- 0,78814 = 0,1311

(c) P( Z < 0,57) = 1 P( Z 0,57) = 1 0,715661 = 0,284339.

( d ) P ( Z < k ) = 0,05 k = 1,64

23

Teorema (Transformao linear de uma varivel normal)

Se X uma v.a. normal com mdia e varincia

2, ento a varivel aleatria Y=a+bX tem
distribuio normal com mdia y =a+b e
varincia = b .
2

Uma conseqncia do teorema anterior a varivel

X
Z =
~ N ( 0 ,1 )

Exemplo: Se X~N(90,100). Determinar:

(a) P(70< X < 100)
(b) P(|X-90|<30)
(c) O valor de a tal que: P(90-2a <X< 90+2a)=0,99

24

70 90 X 100 90
<
<
( a ) P (70 < X < 100 ) = P (
) = P ( 2 < Z < 1) =
10
10

= P ( Z 1) P ( Z 2) = P ( Z 1) (1 P ( Z 2)) =
= 0,841345 (1 0,97725 ) = 0,718595
30 X 90 30
<
< )=
10
10
10
= P ( 3 < Z < 3) = 2 P ( Z < 3) 1 = 2 0.998650 - 1 = 0,9973

(b ) P (| X 90 |< 30 ) = P ( 30 < X 90 < 30 ) = P (

2a X 90 2a
(c) P(90 2a < X < 90+ 2a) = P(2a < X 90 < 2a) = P <
<
10
10
10
a
a
= 2P(Z ) 1 = 0,99 P(Z < ) = 0,995
5
5
a
= 2,57 a = 12,85
5
25

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.

X ~ N (120,152 ).
100 120

P( X < 100) = P Z <

= P( Z 1,33)
15

= 1 P( Z < 1,33)
= 1 (1,33) = 1 0,908241 = 0,091769

26

(b) Qual deve ser o tempo de prova de modo que permita o 95% dos
vestibulandos terminem no prazo estipulado?

P ( X < x) = 0,95

x 120

P ( X < x ) = P Z <
= 0,95
15

z=? , tal que (z)=0,95

Da tabela z= 1,64

x =120+1,6415=152,6
(c) Qual o intervalo central de tempo, tal que 80% dos estudantes
gastam para completar o exame?
27

x2 120
x1 120
P ( x1 X x2 ) = 0,80 P
Z
= 0.80
15
15
z=? , tal que (z)=0,90
Da tabela z= 1,28

x1 120
= 1,28 x1 = 120 15 1,28 x1 = 100,8 min .
15
x2 120
= 1,28 x2 = 120 + 15 1,28 x2 = 139,2 min .
15
28

Teorema( Combinao Linear de variveis aleatrias normais)

Sejam X 1 , K , X n , n variveis aleatrias independentes onde Xi ~N(i, i2), para
i=1,...,n. Sejam a1 , K , a n constantes reais. Seja a varivel aleatria Y uma
combinao linear das variveis aleatrias normais. Isto

Y = a1 X 1 + L + a n X

Ento a varivel aleatria Y tem distribuio normal com mdia

= a1

+ L + a

a i

i=1

e varincia

2
Y

= a

2
1

2
1

+ L + a

2
n

2
n

i=1

2
i

2
i

29

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?
Soluo. Sejam,

Pi : peso do i - simo pires;

X i : peso do i - sima xcara;
E : peso da embalagem;
C : peso da caixa completa.
C = P1 + P2 + L + P5 + X 1 + X 2 + L + X 5 + E =
1 442 4 43
144
42 4 44
3
peso dos pires

peso das xcaras

i =1

Pi +

i =1

Xi + E

30

Tem-se interesse: P(C < 2000)=? Do problema temos:

Pi ~ N (190,10 2 ), X i ~ N (170,12,252 ) i = 1, L ,5
Do teorema
anterior 5C distribui-se normalmente com mdia
5

C =

i =1

E ( Pi ) +

i =1

E(X i) + E

= 5 190 + 5 170 + 100 = 1900 g

e varincia
5

i =1

i =1

= Var ( Pi ) + Var ( X i ) + Var ( E ) =

2
C

= 5 10 2 + 5 12 ,25 2 + 0 = 1250 g 2

2000 1900

P(C < 2000) = P Z

=
1250

= P ( Z 2,83) = 0,997673
31

(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)=?

Seja Y = X P ~ N ( Y ; Y2 )
onde

Y = X P = 170 190 = 20 ;
Y2 =

2
X

2
P

= 10

+ 12 , 25

= 250 .

Logo,

P (Y > 0 ) = 1 P (Y 0 )
0 ( 20 )

= 1 P Z

250

= 1 P ( Z 1 , 26 ) = 1 0,896165
= 0,103835.
32

Corolrio (Propriedade reprodutiva da distribuio normal)

Sejam X 1 , K , X n , n variveis aleatrias independentes onde Xi ~N(, 2), para

i=1,...,n. Ento a varivel aleatria

Y = X1 +L + X

i =1

tem distribuio normal com mdia n e varincia n 2 , isto , Y ~ N (n , n 2 )

n

Y=

X
i =1

X
~ N (0,1).
/ n

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?

33

X i : peso da i - sima caixa X i ~ N (65,16), i = 1, L ,120

Y : peso da carga Y =

120

i =1

X i ~ N (120 65 ,120 16 )

Y ~ N ( 7800 ,1920 )
7910 7800
7893 7800
P ( 7893 Y 7910 ) = P
Z

1920
1920

= P ( 2 ,12 Z 2 , 51 ) = ( 2 ,51 ) ( 2 ,12 )

= 0 , 493963 0 , 482997 = 0 , 010966

34

Aproximao da Binomial pela Normal

Exemplo: Estudo do Sindicato de Bancrios indica que cerca de 30%
dos funcionrios de banco tm problemas de estresse, provenientes
das condies de trabalho. Numa amostra de 200 bancrios, qual seria
a probabilidade de pelo menos 50 com essa doena?

X : N o de bancrios com o problema X ~ B ( 200, 0,3)

200
)(0,3) k (0,7) 200 k = 0,948
P ( X 50) = (
k
k = 50
200

Resultado muito trabalhos: 151 termos para somar

A aproximao pela Normal baseada no Teorema Limite Central. Em
geral quanto mais simtrica for a f.p. da Binomial, melhor ser a
aproximaco.

35

Distribuio Binomial n = 10 p = 0,2

36

Distribuio Binomial n = 20 p = 0,2

37

Distribuio Binomial n = 50 p = 0,2

Para p fixado, a medida que n cresce, os

histogramas vo se tornando mais simtricos e
com a forma da curva Normal. Tal aproximao
ser mais rpida para p 0.5
38

Idia Bsica
X ~ b(n ; p)

E(X) = np
Var(X) = np(1 p)

Aproximar a distribuio de probabilidades de X pela distribuio

de probabilidades de uma varivel aleatria Y tal que

Y ~ N( y, y2)
Portanto,

com

y = n p

y2 = n p (1 p).

P( a X b) P(a Y b)
P( X a) P(Y a)
P( X b) P(Y b)

sendo Y ~ N(np ; np(1 p) ).

39

No Exemplo anterior temos que:

X ~ B (200, 0,3), com E ( X ) = np = 60 e Var ( X ) = np (1 p ) = 42

Logo temos que

Y ~ N (60,42) , desta forma

P ( X 50) P (Y 50) = P (

Y 60 50 60

) = P ( Z 1,54) = 0,938
42
42

Probabilidade exata = 0,948 (usando a distribuio binomial).

Note que estamos aproximando uma distribuio discreta por uma

contnua onde as probabilidades pontuais so zero, assim para melhorar
tal aproximao alguns autores preferem usar a correo de

continuidade

40

Correo de Continuidade
Para melhorar a aproximao, usamos a correo por continuidade no
clculo com a Normal como segue:

P ( X 50) P (Y 49,5) = P (

Y 60 49,5 60

) = P ( Z -1.62) = 0,9478
42
42

Y 60 50,5 60
P ( X > 50) P (Y 50,5) = P (

) = P ( Z 1.46) = 0,9292
42
42
Para probabilidade pontuais, criamos um intervalo artificial:

P ( X = 50 ) P ( 49 ,5 Y 50 ,5) = P (

49 ,5 60 Y 60 50 ,5 60

) = 0,0182
42
42
42

Probabilidade exata = 00190 (usando a distribuio binomial).

41

Exemplo: Um sistema formado por 100 componentes, cada um dos

quais com confiabilidade (probabilidade de funcionar adequadamente
num certo perodo) igual a 0,9. Se esses componentes funcionarem de
forma independente um do outro e se o sistema funcionar
adequadamente enquanto pelo menos 87 componentes estiverem
funcionando, qual a confiabilidade do sistema?
X : nmero de componentes que funcionam adequadamente dos 100
X ~ b(100; 0,9)
n = 100 p = 0,9

E(X) = np = 1000,9 = 90
Var(X) = np(1 p) = 100 0,9 0,1 = 9

Confiabilidade do sistema: P(X 87)=??

P(X 87) P(Y 87) P(Y 86,5)
Y ~ N(90 ; 9)
86 , 5 90
Y 90
= P(

) = P ( Z 1 . 16 ) = ( 1 ,16 ) = 0 . 876976
3
9
Probabilidade exata = 0.8761232 (usando a distribuio binomial).
42