VARIÁVEL ALEATÓRIAS

E
DISTRIBUIÇÕES DE PROBABILIDADE

Profa. Ma. Fádua Ferreira

faduafantônio@gmail.com

1
 REFERENCIAL BIBLIOGRÁFICO
• ANDERSON, David R.; SWEENEY, Dennis J. and WILLIAMS, Thomas A.,
Estatística Aplicada à Administração e Economia. São Paulo: Pioneira
Thomson Learning, 2008.
 Variável Aleatória
Uma função X que associa a cada elemento w do
espaço amostral W um valor w  R é denominada
uma variável aleatória.
Experimento: jogar 1 dado duas vezes e observar o resultado
(P = par e I= impar)

X: número de vezes que saiu par em 2 lances do dado

PP X = 0  II
PI X = 1  IP ou PI
X = 2  PP
IP
II

W 0 1 2

3
 Variável Aleatória

Uma variável aleatória pode ser classificada em:

• Variável aleatória discreta

• Variável aleatória contínua

4
 Variável Aleatória

• Variável aleatória discreta

Uma v.a. é discreta quando o conjunto

de valores possíveis que ela assume
for finito ou infinito enumerável.

5
Exemplo:
Observa-se o sexo (característica) das crianças em
famílias com três filhos (M: masculino e F: feminino).

Espaço amostral:
W = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
w1 w2 w3 w4 w5 w6 w7 w8

Defina X: nº de crianças do sexo masculino (M).

W MMM MMF MFM FMM MFF FMF FFM FFF
X 3 2 2 2 1 1 1 0

 Então X assume valores no conjunto {0, 1, 2, 3}, logo é

uma variável aleatória discreta.

6
Exemplo:
No mesmo experimento...
Espaço amostral:
W = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
w1 w2 w3 w4 w5 w6 w7
w8

Podemos definir agora

Y: nº de crianças do sexo feminino (F).
W MMM MMF MFM FMM MFF FMF FFM FFF
Y 0 1 1 1 2 2 2 3

 Então Y também assume valores no conjunto {0, 1, 2, 3},

porém, para outros valores de W.

7
 Variável Aleatória

• Variável aleatória contínua

Uma v.a. é contínua quando o

conjunto de valores possíveis que ela
assume for não enumerável.

8
Exemplo:
Observa-se o tempo de vida, em horas, de lâmpadas
produzidas por uma fábrica.

Defina T: tempo de vida, em horas, da lâmpada escolhida,

ao acaso, da fábrica.

 Então, T é uma variável aleatória contínua que assume

qualquer valor real não negativo.

9
 VARIÁVEL ALEATÓRIA DISCRETA
Caracterização
Função de probabilidade: É a função que atribui a
cada valor xi da v. a. discreta X sua probabilidade de
ocorrência e pode ser representada pela tabela:
x x1 x2 ... xn
P(X=x) P(X=x1) P(X=x2) ... P(X=xn)

Uma função de probabilidade deve satisfazer:

n
0  P( X  xi )  1 e  P( X  x )
i 1
i 1

10
Exemplo 1:
A Faculdade de Ciências Econômicas é formada por
35 professores, sendo 21 homens e 14 mulheres.
Uma comissão de 3 professores será constituída
sorteando, ao acaso, três membros da faculdade..
Qual é a probabilidade da comissão ser formada por
pelo menos duas mulheres?

Vamos definir a v.a.

X: nº de mulheres na comissão.
Quais são os possíveis valores que X pode assumir?

11
Espaço amostral Probabilidade X
(HHH) 21  20  19  0,203 0
35 34 33
(HHM) 21  20  14  0,150 1
35 34 33
(HMH) 21  14  20  0,150 1
35 34 33
(MHH) 14  21  20  0,150 1
35 34 33
(HMM) 21  14  13  0,097 2
35 34 33
(MHM) 14  21  13  0,097 2
35 34 33
(MMH) 14  13  21  0,097 2
35 34 33
(MMM) 14  13  12  0,056 3
35 34 33
x 0 1 2 3
P(X = x) 0,203 0,450 0,291 0,056
Assim, P(X  2) = P(X=2) + P(X=3) = 0,291 + 0,056 = 0,347.
12
Exemplo 2: Um dado é lançado duas vezes, de forma
independente. Qual é a probabilidade da soma dos pontos
nos dois lançamentos ser menor do que 6?

W = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),

(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.

Qual é a probabilidade de cada ponto wi de W ?

Admitindo que o dado é perfeitamente homogêneo e
sendo os lançamentos independentes,
P(wi) = 1/36 , qualquer wi  W.
13
Defina X: soma dos pontos nos dois lançamentos do
dado.
Função de probabilidade de X:

x 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Então,
P(X < 6) = P(X=5) + P(X=4) + P(X=3) + P(X=2)
= 4/36 + 3/36 + 2/36 + 1/36
= 10/36 = 0,278

14
Podemos estar interessados em outras variáveis aleatórias
definidas para o mesmo espaço amostral.

Y: valor máximo obtido dentre os dois lançamentos.

y 1 2 3 4 5 6
P(Y = y) 1/36 3/36 5/36 7/36 9/36 11/36

Z: diferença entre os pontos do 2º e do 1º lançamento.

z -5 -4 -3 -2 -1 0 1 2 3 4 5
P(Z = z) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

17
 MÉDIA E VARIÂNCIA
Qual é o valor médio da soma dos pontos (X) no lançamento
de dois dados? W = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),  36 pontos
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6), igualmente
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6), prováveis
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
x P(X = x) (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
2 1/36
3 2/36
6/36

4 3/36
5/36
5 4/36
4/36
6 5/36
P(X=x)

3/36
7 6/36
2/36
8 5/36
1\36
9 4/36
10 3/36 0
2 3 4 5 6 7 8 9 10 11 12
x
11 3/36
12 1/36
18
 MÉDIA E VARIÂNCIA
Valor Esperado (média): Dada a v.a. X, assumindo os
valores x1, x2, ..., xn, chamamos de valor médio, ou valor
esperado, ou esperança matemática de X o valor
n
E ( X )  x1  P( X  x1 )  ...  xn  P( X  xn )   xi  P( X  xi )
i 1

Notação:  = E(X)
No exemplo, para média de X (soma de pontos), temos:
E(X) = 2×(1/36) + 3×(2/36) + ... + 11×(2/36) + 12×(1/36)
= 252/36 = 7,
ou seja, em média, a soma dos pontos no lançamento dos
dois dados é igual a 7.
19
Variância: É o valor esperado da v.a. (X – E(X))2, ou seja,
se X assume os valores x1, x2, ..., xn, então
n
Var( X )   [ xi - E ( X )]2  P( X  xi )
i 1

Notação: σ2 = Var(X).

Da relação acima, segue que

Var( X )  E ( X 2 ) – [ E ( X )]2 .

Desvio Padrão: É definido como a raiz quadrada

positiva da variância, isto é,
DP( X )  Var( X ) .
Notação: σ = DP(X).
20
 No exemplo,
x 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
1 2 2 2 1
Var(X)  (2 - 7)   (3 - 7)  ...  (11- 7)   (12- 7) 
2 2 2

36 36 36 36
210
  5,83.
36
Alternativamente, poderíamos calcular
 1  2  2  1
E(X )  2  3  ...  11  12
2 2 2 2 2

36 36 36 36
1974
  54 ,83
36
e, portanto, Var(X) = 54,83 – 72 = 5,83.
21
Propriedades:

1) Se X = a, em que a é uma constante, então

E(X) = a e Var(X) = 0.

2) Se Y = aX + b, em que a e b são constantes, então

E(Y) = E(aX + b) = aE(X) + b

e
Var(Y) = Var(aX + b) = a2 Var(X).

22
 Distribuição de Probabilidades

A distribuição de probabilidades indica a porcentagem de

vezes que, em grande quantidade de observações,
podemos esperar a ocorrência de vários resultados de uma
variável aleatória.

Em uma distribuição de probabilidades é necessário:

 P(x) = 1, onde x toma todos valores possíveis
0  P(x)  1 para todo o x.

Distribuições
discretas
Distribuições de
probabilidade
Distribuições
contínuas
 Distribuições Discretas

Envolvem distribuições de probabilidades de variáveis

aleatórias relativas a dados que podem ser contados.
Exemplos:
 Número de ocorrências por amostras
 Número de ocorrências por unidade num intervalo de tempo
 Número de fumantes presentes em eventos esportivos

Uniforme ou Retangular
Binomial
Formas da Binomial Negativa ou de Pascal
distribuição Geométrica
discretas Poisson
Multinomial ou Polinomial
Hipergeométrica
 Distribuições Contínuas

Quando se usa as distribuições contínuas?

 A variável aleatória discreta apresenta um grande número de

resultados;
A variável aleatória em questão é contínua.

Os ponteiros de um relógio podem parar em qualquer dos

infinitos pontos do círculo

logo A probabilidade de parar em um ponto definido é

zero
Nas distribuições contínuas utilizam-se a probabilidade da
ocorrência em um intervalo P(a < x < b);
Em uma distribuição contínua, a probabilidade é dada pela área
contida no intervalo considerado.
 Distribuições Contínuas

UNIFORME OU RETANGULAR
NORMAL
BIVARIADA NORMAL
EXPONENCIAL
LOGNORMAL
DISTRIBUIÇÕES
WEIBULL
CONTÍNUAS
QUI-QUADRADO 2
( formas)
t DE STUDENT
F DE SNEDECOR
GAMA
BETA
ERLANG
Distribuição Normal

Um pouco de história
No século XVIII, astrônomos e outros
cientistas observaram que medidas
repetidas de mensurações como a distância
à lua variavam como na figura, quando
coletadas em grande número.

Esta forma gráfica era associada aos erros

de mensuração, daí o nome de “Distribuição
normal dos erros” e depois “Distribuição
normal”

Também é conhecida por “Distribuição

Gaussiana”, em função do modelo
matemático desenvolvido por Karl F. Gauss
para este comportamento.
 Distribuição Normal - Exemplos

Altura de universitários Peso da população adulta

n = 3000 µ = 152 cm s = 5 cm n = 5000 µ = 75 kg s = 12 kg
0,20 0,20
0,15 0,15
0,10 0,10
0,05 0,05
0,00
0,00
3 7 1 5 9 3 7 1 5 9 0 5
13 13 14 14 14 15 15 16 16 16 25 40 55 70 85 10 11

Comprimento de uma régua Pessoas num restaurante

µ = 250 por dia s = 20 por dia
0,15
n = 1000 µ = 30cm s = 0,15cm
0,2

0,10 0,15
0,1
0,05
0,05
0,00 0
,5

,6

,7

,8

,9

,1

,2

,3

,4

,5
30

5
29

29

29

29

29

30

30

30

30

30

19

21

23

25

26

28

30
Distribuição Normal

IMPORTÂNCIA DA DISTRIBUIÇÃO NORMAL

Retrata com boa aproximação, as distribuições de freqüência

de muitos fenômenos naturais e físicos;

Serve como aproximação das probabilidades binomiais

quando n é grande;

Representa a distribuição das médias e proporções em

grandes amostras, o que tem relevante implicação na
amostragem (a mais importante).
Distribuição Normal

Curva normal típica

50% 50%
 média 

Forma de uma boca de sino

Área sob a curva = 1 (0,5 + 0,5)
Média = µ
Desvio padrão = 
 Distribuição Normal - Características
1. A curva normal tem a forma de sino
2. É simétrica em relação a média
3. Prolonga-se de - a + (assintótica)
4. Fica completamente especificada por sua média e seu desvio
padrão; há uma distribuição normal para cada par (média e
desvio padrão)
5. A área total sob a curva é considerada 100% ou igual a 1
6. A área sob a curva entre dois pontos é a probabilidade de uma
variável normalmente distribuída tomar um valor entre esses
pontos
7. A área sob a curva entre a média e um ponto arbitrário é função
do número de desvios padrões entre a média e aquele ponto
 Distribuição Normal

A probabilidade de uma variável aleatória tomar um valor entre

dois pontos quaisquer é igual à área sob a curva normal entre
aqueles pontos

µ a b

P (a < x < b) = área hachurada sob a curva

 Distribuição Normal

2 x – ponto considerado da distrib.

1
-1
2
( )
x-µ

µ - média da distribuição
f(x) = e
2   - desvio padrão da distribuição

OBSERVAÇÃO:
x - µ = distância do ponto considerado à média
x-µ número de desvios padrões a contar da média. Ex.: 2,5
z= desvios padrões

z = valor z ou score z. Pode-se obter valores negativos de z para valores
de x inferiores à média
Distribuição Normal

A distância entre a média e um ponto

qualquer é dado em número de desvios
padrões (z)

Normal não Normal

padronizada padronizada
z = x- µ
P P

µ x 0 z
Distribuição Normal

Escala efetiva X Escala padronizada

µ = 100,0
 = 10,0

escala efetiva 70 80 90 100 110 120 130

escala padronizada -3 -2 -1 0 +1 +2 +3
 Distribuição Normal

(42 – 40)/1 = 2
S=1

escala efetiva 37 38 39 40 41 42 43
Como calcular Z ? -3 -2 -1 0 +1 +2 +3

µ  x x-µ (x - µ)/  = z
média desvio padrão valor considerado diferença diferença relativa

40 1,0 42,0 2 ,0 2,0

25 2,0 23,0 -2,0 -1,0
30 2,5 37,5 7,5 3,0
18 3,0 13,5 -4,5 -1,5
22 4,0 22,0 0,0 0,0
 Distribuição Normal

Como calcular o valor efetivo

Passando do valor z para o valor efetivo

µ  z µ+z resultado
média desvio padrão valor z cálculo valor efetivo
20 1 3 20 + 3(1) 23

50 3 -1 50 + 3(-1) 47

60 2 -2 60 + 2(-2) 56

72 5 0,3 72 + 5(0,3) 73,5

Distribuição Normal

-3 -2 -1 0 +1 +2 +3

68%
95,5%

99,7%
Distribuição Normal - Tabela

0 z
Distribuição Normal - Consultando a tabela

.. 1,25
.
1,0 00 01 02 03 04 05 06 ...

1,2
1,1
0,3944
olhando
.. a tabela
.
Distribuição Normal - Consultando a tabela

Probabilidade de uma
variável aleatória normal
tomar um valor z entre a
média e o ponto situado a
z desvios padrões

área tabelada = área desejada

z área entre a média e z
1,00 0,3413
1,50 0,4332
2,13 0,4834
0 z
2,77 0,4972
Distribuição Normal - Consultando a tabela

z P(0 < x < z) P(x > z) = 0,5 – P(0 < x < z)

0 z
Distribuição Normal - Cálculo da probabilidade

0,3413 0,3413

Exemplos
-1 0 +1 Determinando a área (probabilidade)
sob a curva entre dois pontos
entorno da média
0,1359

0 +1 +2 Determinando a área entre dois

0,3413 pontos quaisquer
0,4772
 Distribuição Normal - Exemplos

1) Após 28 dias de curagem, o cimento de uma certa marca tem uma resistência
compressiva média de 4000psi. Suponha que a resistência tem uma distribuição normal
com desvio-padrão de 120psi. Qual a probabilidade de se comprar um pacote de
cimento com resistência compressiva de 28 dias menor que 3850psi?
N(;) = N(4000,120) psi X = 3850psi

P(z ≤ -1,25)

X  3850  4000
z   1,25 3850 4000
 120
Área em vermelho = z = -1,25 = 0,3944
-1,25

Área desejada = 0,50 – 0,3944 = 0,1056 = 10,56%

P( Z  1,25)  0,1056  10,56%
 Distribuição Normal - Exemplos

2) Uma grande empresa faz uso de milhares de lâmpadas elétricas que permanecem
acessas continuamente. A vida de uma lâmpada pode ser considerada como uma
variável aleatória normal com vida média de 50 dias e desvio-padrão de 15 dias.
Se no dia 1º de agosto foram instaladas 8000 lâmpadas novas, aproximadamente
quantas deverão ser substituídas no dia 1º de setembro?
f(x)

  50
N(,) = N(50;15) dias X = 31 dias

X  31  50
z   1,27
 15
20 31 35 X

Consultando tabela: -1,27 0 Z

P( Z  1,27)  0,3980 log o 0,5000  0,3980  0,1020  10,20%

Deverão ser substituídas um total de (0,1020x 8.000) = 816 lâmpadas
 Distribuição Normal - Exemplos

3) Uma indústria siderúrgica produz tubos de aço cujo

comprimento pode ser considerado uma variável normalmente
distribuída com média =10,00 metros, e desvio padrão igual a
 = 0,09 metros. Quanto refugo a indústria espera produzir se o
comprimento dos tubos de aço tiver que ser no máximo, igual a
10,20 m?
f(x)
N(,) = N(10;0,09) metros
X = 10,20m   10
X  10,20  10
z   2,22
 0,09

10,20 X
Consultando tabela
temos: 0 2,22 Z

P( Z  2,22)  P( Z  2,22)  0,5  0,4868  0,0132  1,32%

 Distribuição Normal - Exemplos
CASO PRÁTICO DO USO DA ESTATÍSTICA
NA QUESTÃO LOGÍSTICA DA PRESTAÇÃO DE SERVIÇOS

4) O tempo médio que demora para uma viatura de uma determinada cia da PMMG
de Ipatinga atender a uma chamada de emergência é de 8 minutos com desvio-
padrão de 3 minutos. Considere o tempo médio como uma variável normalmente
distribuída para calcular a probabilidade de uma chamada esperar menos de 4
minutos.
f(x)

N(,) = N(8;3) minutos

X < 4 minutos

X  48
z   1,33
 3 4 8 X

-1,33 0 Z
Consultando
a tabela: P( x  4)  P( Z  1,33)  0,5  0,4082  0,0918  9,18%
 Distribuição Normal - Exemplos
ESTATÍSTICA NO CONTROLE DA PRODUÇÃO INDUSTRIAL
5) Um máquina produz peças com o diâmetro médio de 2,00” e o desvio-padrão
de 0,01”. As peças que se afastam da média por mais de 0,03” são consideradas
defeituosas. Qual é a percentagem de peças defeituosa?
f(x)
N(,) = N(2,00;0,01)
X1 = 2,03 e X2=1,97  2

X  2,03  2
z1    3
 0,01
X   1,97  2
z2    3 1,97 2 2,03 X
 0,01
-3 0 3 Z

P( x  2,03)ouP( x  1,97)  P( Z  3)  P( Z  3)

Consultando
tabela: P( Z  3)  P( Z  3)  0,0014  0,0014  0,28%
Distribuição Normal - Exemplos
ESTATÍSTICA E A ASSISTÊNCIA TÉCNICA

6) A vida média de uma marca de televisão é de 8 anos com desvio-padrão de 1,8

anos. A campanha de lançamento diz que todos os produtos que tiverem defeito
dentro do prazo de garantia serão substituídos por novos. Se você fosse o gerente de
produção, qual seria o tempo de garantia que você especificaria para ter no máximo
5% de trocas.

z  (Z o ) X 
-1,65 0,049471 z
N(,) = N(8;1,8) anos
? 0,05

X 8
X=? -1,64 0,050503
 1,6449 
1,8
 1,65  (1,64)  1,65  ( Zx)

0,049471  0,050503 0,049471  0,05
X  5,04anos
Z 0, 05  1,6449