You are on page 1of 53

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua

Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.
Prof. Leandro Chaves Rêgo
Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua

Tipos de Variáveis Aleatórias
Na grande maioria dos problemas práticos, encontramos dois tipos de variáveis aleatórias: as discretas e as contínuas. Definição 1.1 Uma variável aleatória X é discreta se assume um número enumerável de valores, ou seja, se existe um conjunto enumerável {x1 , x2 , . . .} ⊆ I R tal que X (w ) ∈ {x1 , x2 , . . .}, ∀w ∈ Ω. A função p (xi ) definida por p (xi ) = PX ({xi }), i = 1, 2, . . . e p (x ) = 0 para x ∈ / {x1 , x2 , . . .}, é chamada de função probabilidade de X .

Exemplos de Variáveis Aleatórias Discretas são: número de bits transmitidos com erro em um canal de comunicação, número de lançamentos de uma moeda até a obtenção da primeira cara, número de consumidores que chegam em uma determinada fila.

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua

Tipos de Variáveis Aleatórias

Definição 1.2 Uma variável aleatória X é contínua se existe uma função fX (x ) ≥ 0 tal que
x

FX (x ) =
−∞

fX (t )dt , ∀x ∈ I R.

Neste caso, X assume pode assumir uma quantidade não-enumerável de valores e a função fX é chamada de função densidade de probabilidade de X .

Exemplos de Variáveis Aleatórias Contínuas são: peso, comprimento, voltagem, corrente, pressão, temperatura, tempo.

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua

Variável Aleatória Discreta

Vimos que se X é uma variável discreta, então assume um número enumerável de valores {x1 , x2 , . . .} e podemos descrever seu comportamento probabilístico determinando sua função probabilidade p de massa que determina a probabilidade de cada um dos possíveis valores que X pode assumir. Deste modo, temos que para qualquer evento de interesse A, podemos calcular P (X ∈ A) somando as probabilidades de todos os valores xi que estão em A, ou seja, P (X ∈ A) = i :xi ∈A p (xi ). Em particular, temos que a função de distribuição acumulada de uma variável aleatória discreta X , FX (x ) = P (X ≤ x ) = i :xi ≤x p (xi ), é sempre uma função degrau com saltos nos pontos de xi de altura p (xi ).

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua

Exemplo

Exemplo 2.1 Assuma que X é uma variável aleatória discreta que assume os valores 2, 5, e 7 com probabilidades 1/2, 1/3, e 1/6, então sua função de distribuição acumulada é:  0 se x < 2,    1/2 se 2 ≤ x < 5, FX (x ) = 5/6 se 5 ≤ x < 7,    1 se x ≥ 7.

3 ≤ x < 6. x ≥ 10.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 2. . 0 ≤ x < 1. 6 ≤ x < 10. 1 ≤ x < 3. (a) Determine a função probabilidade de massa de X . uma variável aleatória X é dada por se se se se se se x < 0.2 A função de distribuição acumulada de  0     1/4    3/8 F (x ) = 1/2     3/4    1 (b) Determine P (1 ≤ X < 6|X < 9).

x3 .} com probabilidade {p1 . .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Esperança de uma Variável Aleatória Discreta Considere o cálculo do resultado médio de 1000 lançamentos de um dado. . então sua esperança é dada pela fórmula EX = xi pi . p2 . Uma maneira de calcular este resultado médio seria somar todos os resultados e dividir por 1000. . x2 .3 Se X é uma variável aleatória discreta assumindo valores {x1 . . . . . p3 . Caso EX seja finita. Uma maneira alternativa seria calcular a fração p (k ) de todos os lançamentos que tiveram resultado igual a k e calcular o resultado médio através da soma ponderada: 1p (1) + 2p (2) + 3p (3) + 4p (4) + 5p (5) + 6p (6). respectivamente. i desde que este somatório esteja bem definido.}. Quando o número de lançamentos se torna grande as frações de ocorrência dos resultados tendem a probabilidade de cada resultado. Definição 2. diz-se que X é integrável.

25. Observação 2. A esperança (valor esperado ou média) de uma variável aleatória X é para ser interpretada como a média aritmética do valor de X quando se repete os experimento várias vezes e calcula-se o valor de X para cada uma das realizações do experimento.25) + 0(0. P (X = 0) = 0. EX = 0. . EX = −1(0.5 e P (X = 2) = 0.25.4 Considere uma variável aleatória X tal que: P (X = −1) = 0.25) = 0. Neste exemplo. Então.5) + 2(0. O valor mais provável de uma variável aleatória é conhecido como moda da variável. porém o valor mais provável é 0.25.5 Não confunda a esperança de uma variável aleatória com o seu valor mais provável.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplos Exemplo 2.25.

.5. Portanto. e 6 6 6 6 6 6 EY = (3 × 1 1 ) + (4 × ) = 3. a variável aleatória Y é mais concentrada ao redor da esperança. Por exemplo.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Variância de uma Variável Aleatória Discreta Como vimos diferentes variáveis aleatórias podem ter a mesma esperança. não se consegue distinguir entre as variáveis X e Y do ponto de vista da esperança. 2 2 Portanto. uma maneira de distinguir entre essas variáveis é utilizar alguma medida de dispersão ou variabilidade. considere uma variável X que descreve o resultado de um dado honesto e uma variável Y que é igual a 3 se uma moeda honesta for jogada e cair cara e igual a 4 se a moeda cair coroa. Para isso define-se a variância de uma variável aleatória.5. Porém. Temos EX = (1 × 1 1 1 1 1 1 ) + (2 × ) + (3 × ) + (4 × ) + (5 × ) + (6 × ) = 3.

. . se X assumir os valores {x1 . .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Definição da Variância de uma Variável Aleatória Discreta Definição 2. onde os pesos são as probabilidades de cada um desses valores que X assume. .} com probabilidade {p1 .}. então sua esperança é dada pela fórmula Var (X ) = i (xi − EX )2 pi . respectivamente. x2 . . . p2 . . Formalmente.6 A variância de uma variável aleatória discreta X é uma média ponderada das distância entre os valores que X pode assumir e a esperança de X .

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Desvio-Padrão de uma Variável Aleatória Note que se X for medido em uma dada unidade de medida (por exemplo. O desvio-padrão σ (X ) de X é igual a Var (X ). . às vezes é comum se utilizar o desvio-padrão de uma variável aleatória como medida de sua variabilidade. m). então a variância de X será medida em valores de quadrado desta unidade (m2 ). Por isto.

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplos Exemplo 2. 0. através de uma rede de computadores.7 O número X de mensagens enviadas por hora. 15.5. . 20} com probabilidades {0. 0.3.1}. respectivamente. 12. 0. Determine o desvio-padrão e a esperança de X . tem a seguinte distribuição: X assume os valores {10.1.

. n}. . como é o caso de modelar mecanismos de jogos (por exemplo. . então: EX = 1 n n xi . . . e VarX = i =1 1 n n i =1 (xi − EX )2 . temos || que P (X ∈ A) = ||A . .1 Dizemos que X tem uma distribuição uniforme discreta com parâmetro n. x2 . . . A função de probabilidade uniforme discreta pode ser utilizada sempre que os possíveis valores da variável aleatória forem equiprováveis. se X (w ) ∈ {x1 . xn } e p (xi ) = n . Utilizando a propriedade de aditividade da probabilidade. . cartas bem embaralhadas). . 1 onde n é um número inteiro positivo. xn }. n É fácil ver que se X tem uma distribuição uniforme discreta. . . x2 . é fácil ver que para qualquer evento A ⊆ {x1 .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Aleatória ou Uniforme Discreta Definição 3. para i ∈ {1. dados e moedas balanceados. .

Neste caso. qualquer variável aleatória dicotômica. onde 0 ≤ p ≤ 1.2 Dizemos que X tem uma distribuição Bernoulli com parâmetro p . então: EX = p . qualquer experimento que tem uma resposta dicotômica. e VarX = p (1 − p ). . respectivamente. se X (w ) ∈ {x0 . Um exemplo clássico de um ensaio Bernoulli é o lançamento de uma moeda não necessariamente balanceada. É fácil ver que se X tem uma distribuição Bernoulli assumindo valores 0 e 1 com probabilidades 1 − p e p . tem-se x0 = 0 (fracasso) e x1 = 1 (sucesso) e p é conhecida como probabilidade de sucesso do experimento. pode ser modelada por uma distribuição Bernoulli. A função de probabilidade Bernoulli pode ser utilizada para modelar a probabilidade de sucesso em uma única realização de um experimento. Denomina-se de ensaio de Bernoulli.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Bernoulli Definição 3. ou seja que assume somente dois valores. x1 } e p (x1 ) = p = 1 − p (x0 ). Em geral.

. . n}. A figura a seguir nos mostra a função probabilidade de massa da Binomial(8. para k ∈ {0. . A função de probabilidade binomial pode ser utilizada para modelar a quantidade de erros em um texto de n símbolos quando os erros entre símbolos são assumidos independentes e a probabilidade de erro em um símbolo do texto é igual a p . 1. . . . temos um modelo para o número de caras em n lançamentos de uma moeda justa. 1. se X (w ) ∈ {0. 0. Se p = 1/2. onde n é um número inteiro e 0 ≤ p ≤ 1. Também pode ser utilizada para modelar o número de caras em n lançamentos de uma moeda que possui probabilidade p de cair cara em cada lançamento. e estamos interessados no total de vezes que nesses ensaios obtivemos valor x1 para a variável.2). Uma distribuição binomial pode ser obtida quando se considera n repetições independentes de ensaios Bernoulli. n} e n p (k ) = k p k (1 − p )n−k .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Binomial Definição 3. . .3 Dizemos que X tem uma distribuição Binomial com parâmetros n e p . .

) .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Binomial (cont.

observe que o valor mais provável é para k = 1. No exemplo da figura anterior. . pois (n + 1)p = 1. então X = Y1 + Y2 + .) Se Y1 . .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Binomial (cont. e VarX = np (1 − p ). é fácil ver que: EX = np . Yn tem uma distribuição Binomial(n. p ). . Deste modo. . . Pode-se provar que o valor mais provável de uma variável aleatória binomial é igual ao maior inteiro menor que (n + 1)p . . Yn são variáveis aleatórias Bernoulli(p) independentes que assumem os valores 0 ou 1.8. . Y2 .

4 Uma moeda com probabilidade 0. Como jogamos a moeda 5 vezes.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplos Exemplo 3. 6)2 . Portanto. qual a probabilidade de que exatamente 15 deles tenha sido transmitidos com sucesso? Qual a probabilidade de que no máximo 18 deles tenham sido transmitidos com sucesso? . Se 20 bits forem transmitidos. 3 Exemplo 3. P (X = 3) = 5 (0. qual a probabilidade de se obter exatamente 2 coroas? Solução: Seja X o número de caras obtidos. o evento obter exatamente 2 coroas é igual ao evento obter exatamente 3 caras.5 A taxa de sucesso de um bit em uma transmissão digital é 90%. 4)3 (0.4 de cair cara é jogada 5 vezes.

. Determine a probabilidade de ocorrerem 3 caras em 8 lançamentos independentes desta moeda.6 Suponha que para uma dada moeda viciada a probabilidade de que ocorram 3 caras seja igual a probabilidade que ocorram 4 caras se esta moeda for jogada 8 vezes de forma independente.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplos Exemplo 3.

. onde 0 ≤ β < 1. o instante de tempo. . . se X (w ) ∈ {1.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Geométrica Definição 3. 2. . medido em unidades de tempo inteira.e 1−β β . 3.}. 2. A função de probabilidade Geométrica pode ser utilizada para modelar o número de repetições do lançamento de uma moeda até a primeira ocorrência de cara. para k ∈ {1.7 Dizemos que X tem uma distribuição Geométrica com parâmetro β . 3. Se X for uma variável aleatória com distribuição de probabilidade Geométrica com parâmetro β . (1 − β )2 . .} e p (k ) = (1 − β )β k −1 . até a chegada do próximo consumidor em uma fila. pode-se provar que: EX = VarX = 1 . . ou até a próxima falha em um equipamento.

logo pela independência dos lançamentos. .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 3. temos que P (X = k ) = p k −1 (1 − p ).}? Note que para que X = k é necessário que os primeiros k − 1 lançamentos sejam caras e o k -ésimo lançamento seja coroa. 2. . 3. de modo que se o primeiro lançamento for coroa temos que X = 1. Qual a probabilidade do evento X = k para k ∈ {1. . .8 Suponha que joga-se uma moeda com probabilidade de cara igual a 0 < p < 1 independentemente até que uma coroa ocorra. Seja X o número de repetições necessárias até que coroa apareça nesta sequência. Ou seja X é uma variável geométrica com parâmetro p .

.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Propriedade Observação 3. P (X > s + t |X > s ) = P (X > t ). se soubermos que X é maior que s então a probabilidade que X seja maior que s + t é igual a probabilidade incondicional de X ser maior que t . ou seja. Por isso. Esta propriedade é conhecida como falta de memória. então para quaisquer dois inteiros positivos s e t .9 Pode se provar que se X tem uma distribuição geométrica com parâmetro β . a distribuição geométrica é útil para modelar tempos de vida útil de equipamentos que não sofrem efeitos de envelhecimento ou degradação com o tempo.

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Hipergeométrica A distribuição hipergeométrica descreve o número de sucessos em uma sequência de n amostras de uma população finita sem reposição. A distribuição hipergeométrica descreve a probabilidade de que em uma amostra de n objetos distintos escolhidos da carga aleatoriamente exatamente k objetos sejam defeituosos. considere que tem-se uma carga com N objetos dos quais D têm defeito. Esta fórmula pode ser entendida assim: existem N possíveis amostras sem n reposição. e n. então a probabilidade de termos exatamente k sucessos é dada por p (k ) = D k N −D n −k N n . D . Existem D maneiras de escolher k objetos defeituosos e existem k N −D maneiras de preencher o resto da amostra com objetos sem defeito. n −k . Por exemplo. Em geral. se uma variável aleatória X segue uma distribuição hipergeométrica com parâmetros N .

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Hipergeométrica Quando a população é grande quando comparada ao tamanho da amostra (ou seja. N for muito maior que n) a distribuição hipergeométrica é aproximada razoavelmente bem por uma distribuição binomial com parâmetros n (tamanho da amostra) e p = D /N (probabilidade de sucesso em um único ensaio). n. D . pode-se provar que: 1 2 EX = nD . Se X for uma variável aleatória com distribuição de probabilidade Hipergeométrica com parâmetro N . N N (N −1) VarX = . N nD (N −D )(N −n) .

Se 4 bolas são retiradas da urna. . Determine: (a) A probabilidade de pelo menos uma bola ser branca. se as bolas são retiradas sem reposição.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 3.10 Suponha que uma urna contém 20 bolas brancas e 10 bolas pretas. se as bolas são retiradas com reposição. (b) A probabilidade de pelo menos uma bola ser branca.

número de ocorrências de eventos raros no tempo T (λ = CT ). número de clientes chegando em uma fila no tempo T (λ = CT ). 1. .} e p (k ) = e −λ λ .}. . . k se X (w ) ∈ {0. . onde λ ≥ 0. . para k ∈ {0.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Poisson Definição 3. .11 Dizemos que X tem uma distribuição Poisson com parâmetro λ. 1. . k! A função de probabilidade Poisson é utilizada para modelar a contagem do número de ocorrências de eventos aleatórios em um certo tempo T : número de fótons emitidos por uma fonte de luz de intensidade I fótons/seg em T segundos (λ = IT ).

4. pode-se provar que: 1 EX = VarX = λ e Moda(X ) é o maior inteiro menor ou igual a λ. Se X for uma variável aleatória com distribuição de probabilidade Poisson com parâmetros λ. . e 10.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Poisson A figura a seguir nos mostra a função probabilidade de massa da Poisson para 3 valores de parâmetros 1.

13 Suponha que o número de clientes que chegam em um banco segue uma distribuição de Poisson. então qual a probabilidade de pelo menos 2 fótons serem emitidos no tempo T? Exemplo 3. Determine: (a) Qual o número esperado de clientes que chegam em um período de 1 hora neste banco? (b) Qual o número mais provável de clientes que chegam em um período de 1 hora neste banco? .12 Se a probabilidade de 0 fótons serem emitidos no tempo T é igual a 0.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 3. Se a probabilidade de chegarem 3 clientes for o triplo da de chegarem 4 clientes em um dado período de 10 minutos.1.

já que neste caso é pode-se provar que a função F definida −∞ x por −∞ f (t )dt é uma função de distribuição acumulada. No caso. Como vimos P (X = a) = FX (a) − FX (a− ). temos que a a− FX (a) − FX (a ) = − −∞ fX (t )dt − fX (t )dt = 0. então existe uma função fX (x ) ≥ 0 tal que FX (x ) = −∞ fX (t )dt . as variáveis aleatórias envolvidas têm natureza contínua podendo assumir uma quantidade não enumerável de valores. ∞ f (x )dx = 1. para qualquer variável contínua X . sua função de distribuição acumulada é contínua. o que implica que a probabilidade de ela assumir qualquer número real a é igual a 0. Vimos na seção anterior que se uma variável aleatória é x contínua. Logo. de uma variável aleatória contínua. a distribuição de uma variável aleatória contínua X pode ser determinada tanto pela função de distribuição acumulada FX ou pela sua função de densidade fX . Uma função f (x ) ≥ 0 é densidade de alguma variável aleatória se e somente se. −∞ Portanto.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Variável Aleatória Contínua Em muitos fenômenos que analisamos na prática. .

a probabilidade de √ se escolher um número específico. tem-se no caso de variável aleatória contínua X que b P (a < X ≤ b ) = P (a ≤ X < b ) = P (a ≤ X ≤ b ) = P (a < X < b ) = f (t )dt . por exemplo. 22 . a Analogia: A massa de qualquer ponto no espaço é igual a zero.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Variável Aleatória Contínua Para melhor compreender este tipo de variável aleatória considere a probabilidade de escolher um número real entre 0 e 1 considerando que todos os valores têm a mesma chance de serem escolhidos. Em geral. é igual a 0. Para obtermos a massa de uma dada região do objeto integra-se a densidade de massa na região de interesse. . pois um ponto é admensional. Para descrevermos a distribuição de massa de um certo objeto define-se sua densidade de massa. uma quantidade infinita não-enumerável de números entre 0 e 1. Como existem. A mesma idéia se aplica a densidade de probabilidade: é uma função que ao integrarmos obtemos uma probabilidade de uma dada região da reta real. só faz sentido falar na probabilidade do número escolhido estar em determinado subintervalo. Neste caso. se a e b são números reais tais que a < b .

. se alterarmos a definição de uma densidade f em alguns pontos isolados. ou seja. utilizando uma função densidade de probabilidade f . estamos apenas interessados na integral de f . alterar a função densidade de probabilidade em pontos isolados não influi em nada. na área compreendida entre a função f e o eixo dos x no plano cartesiano. não estaremos alterando esta área e portanto do ponto de vista do cálculo de probabilidades.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Observação Note que como para calcular probabilidades.

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 4.1 Suponha que um ponteiro de relógio se move de modo contínuo. . Ao olharmos para o relógio em um instante aleatório seja X o valor do ângulo em graus que o ponteiro forma com a reta que passa pelo pontos que indicam 3 e 9 horas. (b) Determine P (90 < X < 180|X < 270). (a) Determine a função densidade de probabilidade de X .

(b) Determine P (1/2 < X < 2/3). (a) Determine a constante c . .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 4.2 A função densidade de probabilidade de uma variável aleatória X é dada por f (x ) = 0 cx 4 se x < 0 e x ≥ 1. se 0 ≤ x < 1.

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Esperança de uma Variável Aleatória Contínua Como vimos no caso discreto a Esperança de uma variável aleatória é análogo ao centro de gravidade de uma certa distribuição de massa. então sua esperança é dada pela fórmula EX = ∞ −∞ xf (x )dx . diz-se que X é integrável. Isto motiva a seguinte definição de esperança. Caso EX seja finita. desde que a integral esteja bem definida. Definição 4. .3 Se X é uma variável aleatória contínua com função densidade de probabilidade f .

4 A função densidade de probabilidade de uma variável aleatória X é dada por f (x ) = 0 5x 4 se x < 0 e x ≥ 1. Observação 4. este valor é conhecido como moda da distribuição de X . .5 Este exemplo ilustra que a esperança de X não é o valor que maximiza a função densidade de probabilidade. (a) Determine EX . se 0 ≤ x < 1.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 4.

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Variância de uma Variável Aleatória Contínua Definição 4.6 A variância de uma variável aleatória contínua X com função densidade de probabilidade f é dada pela fórmula Var (X ) = ∞ −∞ (x − EX )2 f (x )dx . .

se 0 ≤ x < 1.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 4.7 A função densidade de probabilidade de uma variável aleatória X é dada por f (x ) = 0 5x 4 se x < 0 e x ≥ 1. . (a) Determine VarX .

. se a ≤ x ≤ b . modelar a fase de osciladores e fase de sinais recebidos em comunicações incoerentes. caso contrário. b ] é proporcional ao seu comprimento. Este modelo deve ser usado quando se acredita que a probabilidade de um subintervalo de [a. Ela também serve para modelar a escolha de um número aleatório entre a e b . Esta distribuição também é frequentemente utilizada para.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Uniforme Definição 5. onde a e b são números reais e a < b . .1 Dizemos que X tem uma distribuição uniforme com parâmetros a e b . se a função densidade de X é igual a fX (x ) = 0 1 b −a .

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Uniforme (cont.) Neste caso. se x < a. . É fácil ver que se X tem uma distribuição uniforme no intervalo [a. b ].e 2 (b − a )2 . se a ≤ x < b . se x ≥ b . então: EX = VarX = a+b . a função de distribuição acumulada   0 x 1 x −a FX (x ) = dt =  b −a a b−a 1 é dada por: . . 12 .

Se o tempo necessário para executar este serviço é igual a τ < t1 − t0 . t1 ]. t0 t0 1 −t0 .2 Sabe-se que é igualmente provável que um dado cliente possa requisitar um serviço no tempo disponível de serviço [t0 . Logo. qual a probabilidade que o serviço será executado antes do término do intervalo de tempo disponível de serviço? Solução: Para que o serviço seja executado em tempo hábil.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 5. é necessário que o cliente o requisite antes do tempo t1 − τ . t1 −τ τ −t0 1 P (X ≤ t1 − τ ) = t1 − dt = t1t− .

A densidade exponencial pode ser utilizada para modelar os seguintes fenômenos: tempo de vida de componentes que falham sem efeito de idade. ou chegadas de consumidores. . onde λ > 0 é um número real. . e duração de chamadas telefônicas. emissões de elétrons de um cátodo.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exponencial Definição 5. se x ≥ 0.3 Dizemos que X tem uma distribuição Exponencial com parâmetro λ. caso contrário. tempo de espera entre sucessivas chegadas de fótons. se a função densidade de X é igual a fX (x ) = λ e −λ x 0 .

) .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exponencial (cont.

a função de distribuição acumulada é dada por: x FX (x ) = 0 f (t )dt = 0 1 − e −λ x . se x < 0. λ EX = . Pode-se provar que 1 .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exponencial (cont.) Neste caso. se x ≥ 0. .e λ 1 VarX = 2 .

ou seja.4 A distribuição exponencial também possui a propriedade de falta de memória. . temos P (X > s + t |X > s ) = P (X > t ). para quaisquer s ≥ 0 e t ≥ 0.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Propriedade Observação 5.

5.000 horas ou mais que 5. o tempo de duração médio 5000 deste tipo de chip é log 2 horas.3794. devemos agora determinar seu parâmetro. Para calcular a probabilidade desejada temos que P ([X < 1000] ∪ [X > 10000]) = P (X < 1000) + P (X > 10000) = 1 − e− log 2 5 + e −2 log 2 = 1 − (2)− 5 + (2)−2 = 0. Determine: (a) Determine o tempo de duração médio de um chip deste tipo.5.000 horas? Solução: Seja X o tempo de duração de um chip deste tipo. 1 .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 5. temos que P (X < 5000) = 0. Então. Tempos que X tem uma distribuição exponencial.000 horas ou mais de 10. λ = 5000 .5 Observa-se que um tipo particular de chip é igualmente provável durar menos que 5. e como P (X < 5000) + P (X > 5000) = 1. (b) Qual a probabilidade que o chip durará menos de 1. Portanto. ou seja.000 horas. log 2 1 − e −λ(5000) = 0. Sabe-se que P (X < 5000) = P (X > 5000).

Aplicações da distribuição normal incluem variabilidade em parâmetros de componentes manufaturados e de organismos biológicos (por exemplo. Nestes casos o que ocorre é que os parâmetros µ e σ 2 devem ser escolhidos de modo que a probabilidade da variável assumir um valor negativo seja aproximadamente nula de modo que a representação seja válida. σ 2π Historicamente. altura. esta distribuição foi chamada de “normal” porque ela era amplamente aplicada em fenômenos biológicos e sociais que era sempre tida como a distribuição antecipada ou normal. modelar quantidades que só assumem valores positivos por uma distribuição normal onde valores negativos aparecem.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Normal ou Gaussiana Definição 5.) . onde µ e σ > 0 são números reais.6 Dizemos que X tem uma distribuição Normal (ou Gaussiana) com parâmetros µ e σ . peso. (Pode parecer estranho. inteligência). se a função densidade de X é igual a −(x −µ)2 1 fX (x ) = √ e 2σ2 .

Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Normal (cont. . Pode-se provar que os pontos µ − σ e µ + σ são os pontos de inflexão do gráfico de fX .) Observe que a densidade é simétrica em torno do parâmetro µ. e quanto menor o parâmetro σ mais concentrada é a densidade em torno deste parâmetro µ.

a2 σ 2 ). .7 Se X ∼ N (µ. então Y terá distribuição N (aµ + b . 2π aσ ou seja.) Pode-se provar que µ e σ 2 são iguais a esperança e a variância da distribuição normal.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Normal (cont. temos fY (y ) = −( 1 y −b 1 fX ( )= √ e a a 2π aσ y −b −µ)2 a 2σ 2 y −b y −b ) = FX ( ). σ 2 ) e se Y = aX + b. onde a > 0 e b ∈ I R . respectivamente. Y ∼ N (aµ + b . a2 σ 2 ). Teorema 5. Se µ = 0 e σ 2 = 1 chamamos esta densidade de normal padrão ou normal reduzida. Prova: Note que FY (y ) = P (Y ≤ y ) = P (aX + b ≤ y ) = P (X ≤ Derivando a expressão acima em relação a y . a a = √ (y −(b+aµ))2 1 e 2a 2 σ 2 .

σi2 ) são independentes. para i = 1.) Corolário 5. e ai ∈ I R . i i i i i =1 i =1 . Pode-se provar que se Xi ∼ N (µi . σ 2 ). 2. então Y = c + n a X também tem distribuição normal com i i i =1 n 2 média EY = c + n a µ e variância VarY = ( a σ ) . . . então Y = X −µ σ tem distribuição normal padrão.. .8 Se X ∼ N (µ. 3.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Normal (cont.

o valor de P (a < X ≤ b ): P (a < X ≤ b ) = P ( a−µ X −µ b−µ < ≤ ) σ σ σ b−µ a−µ Φ( ) − Φ( ) σ σ s −x 2 . Utilizando o resultado do Corolário 5.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Tabulação da Distribuição Normal Se X ∼ N (0. consultando valores de 2π Φ em uma tabela. 2π Esta integral não pode ser resolvida analiticamente. temos que Φ(s ) = −∞ √1 e 2 dx . Portanto. 1). A função de distribuição acumulada de uma normal padrão é usualmente denotada por Φ. σ 2 ). então b P (a < X ≤ b ) = a −x 2 1 √ e 2 dx .8 e valores de Φ. podemos obter para qualquer X ∼ N (µ. podemos determinar que P (a < X ≤ b ) = Φ(b ) − Φ(a). Então. contudo métodos de integração numérica podem ser empregados para calcular integrais da forma acima e de fato valores de P (X ≤ s ) existem em várias tabelas.

Esta relação pode ser útil. temos que Φ(s ) = P (X ≤ s ) = P (X ≥ −s ) = 1 − Φ(−s ) para qualquer valor de s .Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Observação Observação 5.9 Da simetria em torno de zero da normal padrão. pois frequentemente tabelas da distribuição normal só possuem os valores positivos de s . .

2. P (1.3).8 ≤ X ≤ 2. .7734 = 0.8 ≤ X ≤ 2.8 − 2 ) − Φ( ) 0.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 5.3 − 2 ) 0.1 − 2 1.5) = 0.75) = 1 − 0.3) = 1 − Φ( Parte (b).4 0.1). P (X ≥ 2.10 Suponha que X tenha uma distribuição N (2.4 = Φ(0.2266. 0.3) = 1 − P (≤ 2.3085 = 0. (a) P (X ≥ 2.25) − Φ(−0.4 = 1 − Φ(0.16).5987 − 0. Empregando a tábua de distribuição normal.2902. Solução: Parte (a).1) = Φ( 2. calcule as seguintes probabilidades: (b) P (1.

.Tipos de Variáveis Aleatórias Variável Aleatória Discreta Principais Distribuições Discretas Variável Aleatória Contínua Exemplo Exemplo 5. Determine os valores que delimitam cada uma dessa classificações. Os 25% de pacientes com menor peso são classificados como magros enquanto os 25% de maior peso são classificados como obesos.11 Uma clínica de emagrecimento recebe pacientes com peso seguindo uma distribuição normal com média 100Kg e desvio-padrão 20Kg.