You are on page 1of 171

Introduo

Varveis aleatrias discretas


Variveis aleatrias contnuas
II Variveis Aleatrias
Variveis aleatrias contnuas
Parmetros das variveis aleatrias
Variveis aleatrias bidimensionais
Variveis Aleatrias
Uma varivel aleatria associa um nmero
real a cada resultado de uma experincia
aleatria! aleatria!
"ais precisamente#
Variveis Aleatrias
Uma varivel aleatria $ uma %uno
&mensurvel' k( R )ue associa um
nmero real a cada resultado de a experincia
aleatria! aleatria!
Introduo
*uma experincia aleatria+ uma varivel cu,o valor
medido pode variar de uma r$plica do experimento
para outra $ re%erida como votlvel oleottlo!
-xemplos( k pode denotar a medida da resistncia
mecnica no ensaio de trao de um material.
representar o dimetro de uma pea usinada. 2 representar o dimetro de uma pea usinada. 2
expressar a resistividade do solo em um processo
corrosivo emtorres de lin/a de transmisso!
As variveis aleatrias &V!A' sur0em em %uno da
necessidade de se representar os resultados de
uma experincia aleatria por meio de nmeros
reais!
Introduo
1 Uma varivel aleatria pode ser expressa como uma
funo definida num espao de resultados S e que tem
como contradomnio os nmeros reais.
Definio
1 Seja E uma experincia aleatria e S o espao associado a ela.
Uma funo X! que associe a cada elemento s S um nmero Uma funo X! que associe a cada elemento s S um nmero
real X(s) " denominada varivel aleatria.
5
k
k
votlvel
oleottlo
k(s)
s
Introduo
1 -xemplo(
2e%inio
E # $anamento de duas moedas%
X # &mero de caras 'a( o)tidas nas duas moedas%
S # *'c! c(! 'c! +(! '+! c(! '+! +(,
k = 0 3 correspondente ao evento &4+ 4' com
probabilidade 5.
k = 1 3 correspondente ao evento &4+ c'+ &c+ 4' com
probabilidade 6.
k = 2 3 correspondente ao evento &c+ c' com
probabilidade 5!
Introduo
1 As variveis aleatrias classi%icam7se em Jlsctetos oo
cootlooos+ dependendo do tipo de con,unto de valores
)ue elas podemassumir!
8lassi%icao
- -arivel discreta( )uando a varivel assume valores num - -arivel discreta( )uando a varivel assume valores num
con,unto %inito ou in%inito numervel!
- -arivel contnua# )uando a varivel assume valores de
umcon,unto in%inito no numervel!
Introduo
1 .xemplos#
/lassificao
- 0 -.0 resultado do lanamento de um dado " discreta%
- 0 -.0 que representa o tempo que um atleta leva para completar
a prova dos 122 metros " contnua se for admitido que " medida
0 -.0 que representa o tempo que um atleta leva para completar
a prova dos 122 metros " contnua se for admitido que " medida
com preciso a)soluta.
- 0 -.0 que representa as medidas de corrente el"trica a partir de
um instrumento di3ital que mostre a corrente para o mais
prximo cent"simo de miliamp"re " discreta 'as medidas
possveis so limitadas(.
Introduo
1 0s variveis aleatrias so representadas por letras
maisculas 'X, Y, Z, W, ...(! e os valores que elas
podem assumir so representados pelas
correspondentes letras minsculas 'x, y, z, w, ...(.
Representao
.xemplo# .xemplo#
1 E# 4edio do peso de uma pessoa escol5ida ao acaso.
S 6 */onjunto de todos os pesos atri)uveis a uma pessoa,.
X 6 8 peso da pessoa 'assume qualquer valor do espao de
resultados(.
x 6 1!9: m 'a altura de uma das pessoas(.
Introduo
8)servao#
1 .xistem situa;es em que os valores da varivel aleatria
no so os resultados do espao associado a experincia!
mas sim uma transformao destes.
- .xemplo#
E# $anamento de dois dados! E# $anamento de dois dados!
S 6 /onjunto dos valores o)tidos pelos dois dados! num total
de trinta e seis resultados possveis 'taman5o de S 6 <9(
S 6 *' x! = ( > x! = 6 1!?!<!@!:!9,.
X 6 -.0 que representa a soma dos nmeros dos pontos
dos dois dados! a qual pode assumir qualquer valor inteiro
de ? a 1?! ou X(s) 6 *?!<!@! :! 9! A! B! C! 12! 11!1?,.
Introduo
8)servao#
1 &o mesmo espao associado a experincia
aleatria anterior poderDseDia definir outra
varivel aleatria.
- .xemplo#
Y 6 -.0 que representa a diferena! em valor a)soluto! dos Y 6 -.0 que representa a diferena! em valor a)soluto! dos
nmeros dos pontos dos dois dados! a qual pode assumir
qualquer valor inteiro de 2 a :! ou
Y(s) 6 *2!1!?!<!@!: ,
Introduo
-arveis aleatrias discretas
-ariveis aleatrias contnuas
III E -ariveis 0leatrias
-ariveis aleatrias contnuas
FarGmetros das variveis aleatrias
-ariveis aleatrias )idimensionais
.xemplos de variveis aleatrias
4oeda 5onesta lanada < veHes
6 *ccc! cc+! c+c! I,
X 6 nmero de caras
Juando se o)serva cc+#
X 6 ?
.xemplos de variveis aleatrias
4oeda 5onesta lanada < veHes
6 *ccc! cc+! c+c! I,
X 6 nmero de caras X 6 nmero de caras
x 0 1 2 3
P(X=x)
-xemplos de variveis aleatrias
"oeda /onesta lanada 9 ve:es
; <ccc+ cc4+ c4c+ #=
k ; nmero de caras k ; nmero de caras
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
funo de probabilidade (fp) de X
-ariveis 0leatrias Discretas
Kuno de pro)a)ilidade
1 0 distri)uio de pro)a)ilidade de uma varivel
aleatria qualquer X " uma descrio das
pro)a)ilidades associadas com os valores possveis
de X. de X.
1 Fara uma varivel aleatria discreta! a distri)uio
" frequentemente especificada por apenas uma
lista de valores possveis juntamente com a
pro)a)ilidade de cada um.
1 .m al3uns casos! " conveniente expressar a
pro)a)ilidade em termos de uma frmula.
-ariveis 0leatrias Discretas
Kuno de pro)a)ilidade
1 DefineDse como funo de pro)a)ilidade! f! a
funo que associa a cada valor que a varivel
pode assumir! a pro)a)ilidade da varivel assumir
esse valor. esse valor.
1 Fara uma varivel aleatria discreta X! com valores
possveis x
1
, x
2
, ..., x
n
! a funo de pro)a)ilidade "
) ( ) (
i i
x X P x f = =
0 ) x ( f
i

1 L que f(x
i
) " definida como uma
pro)a)ilidade! ento
1 ) x ( f
n
1 i
i
= == =

= == =
para todo x
i
e
1 P(X) pode ser expresa por uma ta)ela! 3rfico 1 P(X) pode ser expresa por uma ta)ela! 3rfico
ou frmula.
-ariveis 0leatrias Discretas
Kuno de pro)a)ilidade
1 .xemplo# E# $anamento de duas moedas.
X# nM de caras o)tidas.
P(X) pode ser expressa das se3uintes formas#
x 0 1 2
P(x) 1/4 1/2 1/4
1
N
O
2 1 ?
P(x)
x
x , 2
C
4
1
) x ( P = == =
-ariveis 0leatrias Discretas
Kuno de pro)a)ilidade
1 .xemplo# Seja X a varivel aleatria que representa o
resultado do lanamento de um dado equili)rado. 0
funo de pro)a)ilidade " definida por#
6
1
) 6 ( f ,
6
1
) 5 ( f ,
6
1
) 4 ( f ,
6
1
) 3 ( f ,
6
1
) 2 ( f ,
6
1
) 1 ( f = == = = == = = == = = == = = == = = == =
.m termos de notao e de modo a simplificar! a funo de
x 1 2 3 4 5 6
f(x)=P(x) 1/6 1/6 1/6 1/6 1/6 1/6
.m termos de notao e de modo a simplificar! a funo de
pro)a)ilidade pode ser representada por meio de uma
ta)ela! assumindo que os valores que no aparecem na
ta)ela tm pro)a)ilidade Hero de ocorrer. &este exemplo
temDse! ento#
-ariveis 0leatrias Discretas
Kuno de pro)a)ilidade
1 >bserva?es(
- @e uma varivel aleatria k apresentar f(x) 0 e
constante para todos os valores de x+ di:7se )ue
essa V!A tem uma distribuio uni%orme
&discreta'! &discreta'!
Variveis Aleatrias 2iscretas
Kuno distri)uio cumulativa
1 Uma fooo Jlsttlbolo comolotlvo+ tamb$m c/amada
fooo tepottlo ou fooo Jlsttlbolo Je
ptoboblllJoJes+ pode tamb$m ser usada para %ornecer ptoboblllJoJes+ pode tamb$m ser usada para %ornecer
a distribuio de probabilidades de uma varivel
discreta!
1 0 funo distri)uio cumulativa em um valor
de x " a soma das pro)a)ilidades em todos os
pontos menores ou i3uais a x.
1 DefineDse! ento! como funo distri)uio
cumulativa de uma certa varivel aleatria X! no
ponto x! como sendo a pro)a)ilidade de que X ponto x! como sendo a pro)a)ilidade de que X
assuma um valr menr u i!ual a x! isto "#
) x ( f ) x X ( P ) x ( F
x x
i
i


= == = = == =
-ariveis 0leatrias Discretas
Kuno distri)uio cumulativa
1.xemplo '4ont3omer= et al.! ?221(# P uma 5ipotese de que
um )it transmitido atrav"s de um canal de transmisso di3ital
seja rece)ido com erro. /onsidere X i3ual ao nmero de )its com
erro nos quatro prximos )its transmitidos. 8s valores possveis erro nos quatro prximos )its transmitidos. 8s valores possveis
para a varivel aleatria X so *2! 1! ?! <! @,. /om )ase em um
modelo de pro)a)ilidades! as pro)a)ilidades para esses valores
foram determinados como sendo#
P(X " #) " #,$%$1 P(X " 1) " #,2&1$ P(X " 2) " #,#'($
P(X " )) " #,##)$ P(X " ') " #,###1
-ariveis 0leatrias Discretas
Kuno distri)uio cumulativa
1 .xemplo &cont!'(
f(x)
- 0 distri)uio de pro)a)ilidades de X " especificada pelos
valores possveis! juntamente com a pro)a)ilidade de cada
um. 0 fi3ura mostra uma descrio 3rfica dessa
distri)uio#
x
f(x)
A B C 9 D
A+EFEB
A+CGBE
A+ADHE
A+AA9E
A+AAAB
distri)uio#
-ariveis 0leatrias Discretas
Kuno distri)uio cumulativa
1 .xemplo 'cont.(#
- For conse3uinte! a funo distri)uio cumulativa de X
ser#
*(#) " #,$%$1 *(1) " #,&'++ *(2) " #,&&$)
*()) " #,&&&& *(') " 1 *()) " #,&&&& *(') " 1
- 4esmo se a varivel aleatria puder assumir somente
valores inteiros! a funo distri)uio cumulativa "
definida em valores no inteiros. For exemplo#
*(1,%) " P(X , 1,%) " P(X , 1) " #,&'++
-ariveis 0leatrias Discretas
Kuno distri)uio cumulativa
1 .xemplo 'cont.(#
- 8 3rfico do exemplo " mostrado a)aixo! onde se o)serva
que o mesmo apresenta descontinuidades 'saltos( nos
valores discretos para X. 8 taman5o do salto em um ponto x
" i3ual Q pro)a)ilidade em x.
0
0,2
0,4
0,6
0,8
1
0 1 2 3 4 5
x
F(x)
" i3ual Q pro)a)ilidade em x.
-ariveis 0leatrias Discretas
Kuno distri)uio cumulativa
1 Propriedades(
- -xemplo( 2o exemplo anterior+ tem7se(












< << <
< << <
< << <
< << <
< << <
= == =
4 x se 1
4 x 3 se 9999 , 0
3 x 2 se 9963 , 0
2 x 1 se 9477 , 0
1 x 0 se 6561 , 0
0 x se 0
) x ( F
-ariveis 0leatrias Discretas
Kuno distri)uio cumulativa
1 Fropriedades#
1. # , *(x) , 1 , -ara t. x
2. *(/ 0) " # 2. *(/ 0) " #
). *(10) " 1
'. P(a 2 X , 3) " *(3) 4 *(a)
%. P(a , X , 3) " *(3) 4 *(a) 1 P(X " a)
$. P(a 2 X 2 3) " *(3) 4 *(a) 4 P(X " 3)
+. lim *(x) " 1 e lim *(x) " #
x 5 10 x 5 /0
variveis aleatrias discretas
A funo que atribui a probabilidade a cada valor
possvel de uma varivel aleatria discreta denominada
distribuio de probabilidade
f(x) = (! = x)
exemplo" exemplo"
# dado $onesto" f(x) = %&'( para x=%( )( *( +( , ou '
# como seria f(x) para a soma de dois dados-
ropriedades"
0 ) ( x f

=
X todos
x f 1 ) (
Varivel discreta: Funo da probabilidade e funo da distribuio. Se Y uma
varivel aleatria discreta, designa-se por funo de probabilidade da varivel Y,
e denota-se por P (Y), a funo que associa a cada valor particular que a varivel
pode tomar, y, a probabilidade Yde ser y.
Axiomas de probabilidade:
Qualquer que seja y pertencente ao contradomnio da varivel aleatria y, a funo
probabilidade Ytoma valores superiores a zero e no superiores a unidade.
1> somatrio de P&I' estendido a todos os valores de I
pertencentes ao contradomnio @J da varivel K $ i0ual a unidade(
I @J( ALP&I'MB
P&I';B
Designa-se por funo de distribuio (ou funo de probabilidade
acumulada) da varivel aleatria discreta Y a funo F(y) associada a cada
valor particular y ! a pro)a)ilidade de R ser menor ou i3ual a =.
K'=(6Fro)a)ilidade 'RS=(
Desta definio resulta que a funo de distri)uio pode ser calculada para
qualquer valor real a# qualquer valor real a#
*(a)"P(Y,a)"
y,a
P(y)
0 funo de pro)a)ilidade
@e,a N uma varivel aleatria discreta &VA2'+ isto $+ com N&@' %inito ou in%inito
enumervel+ de%inida num espao amostral @!
A cada resultado xi de N&@' associa7se um nmero %&xi' ; P&N ; xi' denominado
probabilidade de xi e tal )ue satis%a: as se0uintes propriedades(
f(xi) 7 #, -ara t. 8i9.
:f(xi) " 1
A %uno O%P assim de%inida $ denominada de funo de pro)a)ilidade de T. A %uno O%P assim de%inida $ denominada de funo de pro)a)ilidade de T.
A coleo dos pares &xi+ %&xi'' para i ; B+ C+ 9+ !!! $ denominada de distri)uio de
pro)a)ilidade da VA2 N!
*ote7se )ue %&x' ; P&N ; x' ; P&<s @ Q N&s' ; x=' 2esta %orma )uando se calcula %&x'
est a se calcular+ na realidade+ a probabilidade do evento <s @ Q N&s' ; x= @!
.xemplo
2ois dados so lanados e observa7se o par obtido! > espao amostra $ %ormado por
9E resultados e)uiprovveis! @e,am N e K duas variveis aleatrias de%inidas da
se0uinte %orma(
N ; soma do par obtido
K ; maior valor do par
Rem7se ento(
N&@' ; <C+ 9+ D+ F+ E+ S+ H+ G+ BA+ BB+ BC=
K&@' ; <B+ C+ 9+ D+ F+ E=
Para N tem7se(
%&C' ; P& N ; C' ; P&< &B+ B' =' ; BQ9E %&C' ; P& N ; C' ; P&< &B+ B' =' ; BQ9E
%&9' ; P& N ; 9' ; P&< &C+ B'+ &B+ C' =' ; CQ9E
%&D' ; P& N ; D' ; P&< &B+ 9'+ &C+ C'+ &9+ B' =' ; 9Q9E
%&F' ; P& N ; F' ; P&< &B+ D'+ &C+ 9'+ &9+ C'+ &D+ B' =' ; DQ9E
%&E' ; P& N ; E' ; P&< &B+ F'+ &C+ D'+ &9+ 9'+ &D+ C'+ &F+ B' =' ; FQ9E
%&S' ; P& N ; S' ; P&< &B+ E'+ &C+ F'+ &9+ D'+ &D+ 9'+ &F+ C'+ &E+ B' =' ; EQ9E
%&H' ; P& N ; H' ; P&< &C+ E'+ &9+ F'+ &D+ D'+ &F+ 9'+ &E+ C' =' ; FQ9E
%&G' ; P& N ; G' ; P&< &9+ E'+ &D+ F'+ &F+ D'+ &E+ 9' =' ; DQ9E
%&BA' ; P& N ; BA' ; P&< &D+ E'+ &F+ F'+ &E+ D' =' ; 9Q9E
%&BB' ; P& N ; BB' ; P&< &F+ E'+ &E+ F' =' ; CQ9E
%&BC' ; P& N ; BC' ; P&< &E+ E'=' ; BQ9E
Fara R temDse#
%&B' ; P& K ; B' ; P&< &B+ B' =' ; BQ9E
%&C' ; P& K ; C' ; P&< &C+ B'+ &C+ C'+ &B+ C' =' ; 9Q9E
%&9' ; P& K ; 9' ; P&< &B+ 9'+ &C+ 9'+ &9+ 9'+ &9+C'+ &9+ B' =' ; FQ9E %&9' ; P& K ; 9' ; P&< &B+ 9'+ &C+ 9'+ &9+ 9'+ &9+C'+ &9+ B' =' ; FQ9E
%&D' ; P& K ; D' ; P&< &B+ D'+ &C+ D'+ &9+ D'+ &D+ D'+ &D+ 9'+ &D+ C'+ &D+ B' =' ; SQ9E
%&F' ; P& K ; F' ; P&< &B+ F'+ &C+ F'+ &9+ F'+ &D+ F'+ &F+ F'+ &F+ D'+ &F+ 9'+ &F+ C'+ &F+ B' =' ; GQ9E
%&E' ; P& K ; E' ; P&< &B+ E'+ &C+ E'+ &9+ E'+ &D+ E'+ &F+ E'+ &E+ E'+ &E+ F'+ &E+ D'+ &E+ 9'+ &E+ C'+
&E+B=;BBQ9E
Representao da funo de pro)a)ilidade
-xistem trs maneiras de representar a %uno de probabilidade de uma VA2 N(
'i( 0trav"s de uma ta)ela.
'ii( 0trav"s de uma expresso analtica para f'x( 'frmula(.
'iii( 0trav"s de um dia3rama! onde os valores da varivel so re3istrados no eixo
das a)scissas e as probabilidades no eixo das ordenadas!
'i( 0s duas ta)elas acima. 'i( 0s duas ta)elas acima.
'ii( /onsidereDse a varivel R! do exemplo acima! onde R'S( 6 *1! ?! <! @! :! 9,.
.nto#
%( K&@' 3 I 3 &CI 7 B'Q9E
2este modo( %&B' ; &C!B 7 B' Q 9E ; B Q 9E
%&E' ; &E!C 7 B' Q 9E ; BBQ 9E
'iii( -eja o dia3rama a)aixo.
Dia3rama de )arras da distri)uio de R
A funo de distribuio acumulada
Seja T uma -0D com funo densidade f'x(. .nto a funo de distri)uio
acumulada D KD0! ou simplesmente funo de distri)uio 'ou repartio( de T
" a funo K definida por#
K'x( 6 F'T S x(.
Da Definio se3ue que# Da Definio se3ue que#
F'a U T S )( 6 F'T S )( E F'T S a( 6 K')( E K'a(.
Se T for uma -0D ento a K " a funo Vem escadaW definida por#
K'x( 6 F'T S x( 6
xiS x
Xf i'x (
Se T for uma -0/ ento a funo K'x( " definida por#
K'x( 6 Y
x

f 'u(du
Kuno de Distri)uio 0cumulada
0 funo de distri)uio acumulada de uma
varivel aleatria X " a funo *
X
# R R
definida por
* 'x( 6 F'X S x( *
X
'x( 6 F'X S x(
Seja T uma -0D com a distri)uio da ta)ela a)aixo#
.nto a funo de distri)uio de T " dada por#
K'x( 6 2 se x U D?
6 1Z@ se D? S x U 1
6 <ZB se 1 S x U ? 6 <ZB se 1 S x U ?
6 AZB se ? S x U @
6 1 se x [ @
Kuno de Distri)uio 0cumulada
-xemplo(
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
1
1 2 3
1/8
1/2
7/8
1
Se x < 0: P(Xx) = 0
Se 0 x <1: P(Xx) = P(X=0) = 1/8
Se 1 x <2: P(Xx) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2
Ripos de Variveis Aleatrias
2iscretas
l
k
&x' ;
x
l
x
P&k ; x
l
'
&Absolutamente' 8ontnuas
l
k
&x' ;
x x
f
k
&x' Jx l
k
&x' ;
x
l
x
f
k
&x' Jx
&onde f
k
&x' $ a densidade de probabilidade de N'
"istas
l
k
&x' ;
x
l
x
P&k ; x
l
' T
x
l
x
f
k
&x' Jx
&U outras+ mais patol0icas #'
Propriedades da V!2!A!
l
k
$ no7decrescente
lim
x
l
k
&x' ; A+ lim
xT
l
k
&x' ; B lim
x
l
k
&x' ; A+ lim
xT
l
k
&x' ; B
lim
xaT
l
k
&x' ; l&o' &continuidade W direita'
.T.R/\/I8S
1. Uma experincia consiste em o)servar a soma dos nmeros de ? dados quando eles
so jo3ados.
a( Descreva o espao amostral.
)( 0ssumido todos os resultados equiprovveis! encontre a
pro)a)ilidade da soma ser A e a pro)a)ilidade da soma ser
maior que 12.
Principais 2istribui?es 2iscretas
Xernoulli
Xinomial
Yeom$trica
Uiper0eom$trica Uiper0eom$trica
Poisson
Principais 2istribui?es 8ontnuas
Uni%orme
-xponencial
*ormal &e associadas(
C
+ t+ l'
Xernoulli
-spao amostral binrio &sucesso7%racasso+
sim7no+ B7A'
B+ com probabilidade p
N ; N ;
A+ com probabilidade Bp
*otao( N be&p'
Xinomial
@e)uncia de o experimentos de Xernoulli+ independentes e
com mesma probabilidade p de sucesso
k ; nmero de sucessos
Xinomial
@e)uncia de o experimentos de Xernoulli+ independentes e com
mesma probabilidade p de sucesso
k ; nmero de sucessos
8ada uma das se)uncias com k sucessos e ok
| |
n
%racassos tem probabilidade p
k
&Bp'
o-k
! Zo0o(
*otao( N X&o+ p'
n k p p
k
n
k X P
k n k
,..., 1 , 0 , ) 1 ( ) ( =
|
|

\
|
= =

|
|

\
|
k
n
-xemplo( -studo do @indicato de Xancrios indica )ue cerca de 9A[ dos %uncionrios de
banco tm problemas de estresse+ provenientes das condi?es de trabal/o! *uma
amostra de CAA bancrios+ )ual seria a probabilidade de pelo menos FA com essa
doena\
) 3 , 0 , 200 ( ~ problema o com bancrios de N :
o
B X X
948 , 0 ) 7 , 0 ( ) 3 , 0 )(
200
( ) 50 (
200
200
= =

k k
X P
Aproximao da Binomial pela Normal
948 , 0 ) 7 , 0 ( ) 3 , 0 )(
200
( ) 50 (
50
200
= =

=

k
k k
k
X P
]esultado muito trabal/os( BFB termos para somar
A aproximao pela *ormal $ baseada no Reorema Zimite 8entral! -m 0eral )uanto mais
sim$trica %or a %!p! da Xinomial+ mel/or ser a aproximaco!
2istribuio Xinomial o ; BA p ; A+C
2istribuio Xinomial o ; CA p ; A+C
2istribuio Xinomial o ; FA p ; A+C
Para p %ixado+ a medida )ue o cresce+ os /isto0ramas vo se
tornando mais sim$tricos e com a %orma da curva *ormal!
Ral aproximao ser mais rpida para
5 . 0 p
Aproximar a distribuio de probabilidades de k pela distribuio de
probabilidades de uma varivel aleatria tal )ue
k ^ b&o , p'
-&k' ; op
Var&k' ; op&B p'

^ *&
I
+
I
C
' com
I
; o p e
y
2
= o p (1 - p).
Idia Bsica
sendo ^ *&op . op&B p' '!
Portanto+
1 P& o k b' P&o b'
1 P& k o' P& o'
1 P& k b' P& b'
Zo0o temos )ue + desta %orma
938 , 0 ) 54 , 1 ( )
42
60 50
42
60
( ) 50 ( ) 50 ( = =

= Z P
Y
P Y P X P
) 42 , 60 ( ~ N Y
*o -xemplo anterior temos )ue(
42 ) 1 ( ) ( e 60 ) ( com ), 3 , 0 , 200 ( ~ = = = = p np X Var np X E B X
Probabilidade exata ; A+GDH &usando a distribuio binomial'!
*ote )ue estamos aproximando uma distribuio discreta por uma contnua onde as
probabilidades pontuais so :ero+ assim para mel/orar tal aproximao al0uns autores
pre%erem usar a cotteo Je cootloolJoJe
Yeom$trica
@e)uncia de experimentos de Xernoulli+
independentes e com mesma probabilidade p de
sucesso
k ; lanamento em )ue ocorre o primeiro sucesso! k ; lanamento em )ue ocorre o primeiro sucesso!
Yeom$trica
@e)uncia de experimentos de Xernoulli+
independentes e com mesma probabilidade p de
sucesso
k ; lanamento em )ue ocorre o primeiro sucesso! k ; lanamento em )ue ocorre o primeiro sucesso!
k ; k 4B %racassos se0uido de um sucesso
*otao( N Y&p'
,... 3 , 2 , 1 , ) 1 ( ) (
1
= = =

k p p k X P
k
Uiper0eom$trica
Urna com N bolas+ sendo 8 brancas+ de onde so
extradas o bolas+ sem reposio!
k ; nmero de bolas brancas extradas
| |

| |
B N B
*otao( k UY&N+ 8, o'
|
|

\
|
|
|

\
|

|
|

\
|
= =
n
N
b n
B N
b
B
b X P ) (
-xemplo
Amostra de taman/o o extrada de uma
populao com N indivduos+ dos )uais
b so %avorveis a um candidato!
_ual $ a distribuio do nmero de pessoas
%avorveis ao candidato na amostra\ %avorveis ao candidato na amostra\
2istribuio de Poisson
2iscreti:ar B se0undo em o intervalos de durao BQo
8omo o nmero de usurios $ 0rande+ $ ra:ovel
considerar a existncia de acessos neste intervalos
como eventos independentes+ cada um com como eventos independentes+ cada um com
probabilidade p!
Para )ue o nmero m$dio de acessos por minuto
se,a i0ual a + deve7se ter op ; .
2istribuio de Poisson
1
)! ( !
!
lim ) (
) , ( ~ onde ), ( lim ) (
=
|

\
|

\
|

= =

= = = =



n n k n k
n
k X P
n
p n B Y k Y P k X P
k n k
n
,... 2 , 1 , 0 ,
!
1 1
) 1 )...( 1 (
lim
!
1
)! ( !
lim ) (
=

=
|

\
|

\
|

+
=
=
|

\

|

= =



k e
k
n n
n
k n n n
k
n n k n k
k X P
k
k n
k
n
k
n
2istribuio de Poisson
8aso limite da distribuio binomial+ )uando
o e op se mant$m constante
Acessos a sites
8/e0adas de consumidores a um banco 8/e0adas de consumidores a um banco
*mero de erros tipo0r%icos em um texto
*mero de partculas radioativas emitidas
2. Modelo Bernoulli
Na prtica muitos experimentos 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.
Estas situaes tem alternativas dicotmicas e podem ser representadas
genericamente por resposta do tipo sucesso-fracasso.
Esses experimentos recebem o nome de Ensaios de Bernoulli e originam uma
v.a. com distribuio de Bernoulli.
Distribuio de uma v.a. de Bernoulli
Uma V.A. (X) de Bernoulli aquela que assume apenas dois valores 1 se ocorrer
sucesso (S) e 0 se ocorrer fracasso (F), com probabilidade de sucesso p, 0 < p
<1. Isto , se X(S)=1 e X(F)=0. Logo a funo de probabilidade dada por:
x
P(X=x)
0 1
1-p p

=
= = =

c c
x p p
x X P x f
x x
. ; 0
1 , 0 ; ) 1 (
) ( ) (
1
Notao: X~Bernoulli (p), indica que a v.a. X tem distribuio de Bernoulli com
parmetro p
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.
Obter a f.d.a. !
3. 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 :
={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.

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

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 funo 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
= =
3 2 2 3
) 1 ( 3 ) 1 ( 3 ) 1 ( ) ( ) ( p p p p p p x X P x f = =
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

=
|
|

\
|

=
|
|

\
|
=

Distribuio de uma v.a. 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 dada por:
Binomial. e coeficient o representa ,
!
. , 0
, , 1 , 0 , ) 1 (
) (
n
n
onde
c c
n x p p
x
n
x f
x n x
=
|
|
|

=
|
|

\
|
=

L
Binomial. e coeficient o representa ,
)! ( !
!
x n x
n
x
onde

=
|
|

\
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).
0 2 4 6 8
0
.
0
0
.
2
0
.
4
x
P
(
X
=
x
)
p=0,1
0 2 4 6 8
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,3
Distribuio Binomial com parmetros n=10 e p
0 2 4 6 8
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,5
0 2 4 6 8
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,8
0 5 10 15 20
0
.
0
0
0
.
2
0
x
P
(
X
=
x
)
p=0,1
0 5 10 15 20
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,3
Distribuio Binomial com parmetros n=20 e p
0 5 10 15 20
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,5
0 5 10 15 20
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,8
0 10 20 30
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,1
0 10 20 30
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,3
Distribuio Binomial com parmetros n=30 e p
0 10 20 30
0
.
0
0
0
.
1
0
x
P
(
X
=
x
)
p=0,5
0 10 20 30
0
.
0
0
0
.
1
5
x
P
(
X
=
x
)
p=0,8
O professor da disciplina de Estatstica elaborou um prova de mltipla
escolha, consistente em 10 questes, cada uma com 5 alternativas.
Suponha que nenhum dos estudantes que vo a fazer a prova vo as
aulas e no estudaram para a prova (o que muito freqente). O
professor estabeleceu que para aprovar deve contestar corretamente pelo
menos 6 questes. Qual a probabilidade de um aluno aprovar?.
S: questo respondida corretamente
F:questo respondida incorretamente
A probabilidade se sucesso constante e c/ estudante responde
Exemplo 2.
A probabilidade se sucesso constante e c/ estudante responde
independentemente a questo
Soluo:Seja a v.a. X: nmero de questes respondidas corretamente nas 10
questes. Ento o evento de interesse :
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
L
A probabilidade de um aluno aprovar : 0,00636
006369 , 0 ) 6 ( 1 ) 6 ( = < = X P X P
Suponha uma urna com 20 bolas brancas e 15 bolas pretas, extramos da urna
consecutivamente e com reposio 12 bolas. Encontre a probabilidade de se
obter 5 bolas brancas.
Exemplo 3.
S: obter uma bola branca em cada extrao
F: obter uma bola preta em cada extrao
A probabilidade se sucesso constante em c/ extrao e os resultado so
independentes em cada extrao.
Soluo:Seja a v.a. X: nmero de bolas brancas (sucessos) nas 12 extraes da
urna. Ento o evento de interesse :
P(S)=4/7 e P(F)=3/7. Logo, X~B(12,4/7).

=
|

\
|
|

\
|
|
|

\
|
=

c c
x
x
x f
x x
. , 0
12 , , 1 , 0 ,
7
3
7
4
12
) (
12
L
0.12 ) 5 ( ) 5 ( = = = X P f
A probabilidade de obter 5 bolas brancas :
4. Modelo Hipergeomtrico
Suponha uma populao finita de N elementos, dividida em duas classes. Uma
classe com M (M<N) elementos (sucessos) e a outra com N-M elementos
(fracasso). Por exemplo, no caso particular de N peas produzidas, podem ser
consideradas as classes: M artigos defeituosos e (N-M) artigos no defeituosos.
Uma amostra aleatria de tamanho n (n<N) sorteada sem reposio sorteada
dessa populao. A v.a. X definida como, o nmero de elementos com a
caracterstica de interesse (sucesso) na amostra de tamanho n. A funo de
probabilidade da v.a. X, dada por:

| |

| |
M N M

=
|
|

\
|
|
|

\
|

|
|

\
|
=
c c
M n x
n
N
x n
M N
x
M
x f
X
. , 0
) , min( , 0 ,
) (
L
Notao, X~H(N,M, n), para indicar que v.a. X tem distribuio Hipergeomtrica
parmetros N, M e n.
N
M
p
N
n N
p np X Var np X E =

= = com ),
1
)( 1 ( ) ( , ) (
Exemplo 3.
Em um Departamento de inspeo de recebimento, lotes de eixo de bomba so
recebidos periodicamente. Os lotes contm 100 unidades, e o seguinte plano de
amostragem de aceitao usado. Seleciona-se uma amostra aleatria de 10
unidades sem reposio. O lote aceito se a amostra tiver, no mximo, um
defeituoso. Suponha que um lote seja recebido e que 5% defeituoso. Qual
probabilidade que seja aceito o lote?
X: Nmero de defeituosos na amostra X~H(100,5,10)
923 , 0
10
100
9
90
1
10
10
100
10
90
0
10
) 1 ( ) 0 ( ) 1 ( ) (
=
|
|

\
|
|
|

\
|
|
|

\
|
+
|
|

\
|
|
|

\
|
|
|

\
|
=
= + = = = X P X P X P lote o aceitar P
Observao: Se X~H(N,M,n) e n/N< 0,10. Ento X~B(n, M/N).
Exemplo. Foram colocados em ma ca!xa 100 pe"as, #0 dos $a!s %oram
%a&r!cados pela !ndstr!a B e as otras pela !ndstr!a '. Foram sorteadas
aleator!amente, sem repos!"o, ( pe"as, $al ) a pro&a&!l!dade de $e #
se*am da !ndstr!a '+
Se*a X, n-mero de pe"as da !ndstr!a ' na amostra. Ento X~H(100,#0,().
40 60
|
|

|
|
|

|
. 2395 , 0
10
100
4
40
4
60
) 4 ( =
|

\
|
|

\
|
|

\
|
= = X P
./ $e, (/10000,0(<0,10. Ento, X~B((, 10/100) (aprox!madamente).
( ) ( ) . 2322 , 0 4 , 0 6 , 0
4
8
) 4 (
4 4
= |

\
|
= = X P
5. 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 consultas a uma base de dados em um minuto.
2. Nmero de casos de Dengue por kilometro quadrado no estado de SP
3. Nmero de machas (falhas) por metro quadrado no esmaltado de uma
geladeira.
4. Nmero de chamadas que chegam a uma central telefnica de uma empresa
num intervalo de tempo (digamos das 8,0 a.m. s 12,0 a.m.).
5. Nmero de autos que chegam ao Campus entre 7,0 a.m. a 10,0 a.m.
Onde: X: nmero de eventos discretos em t unidades de medida,
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
L

Distribuio de uma v.a. Poisson


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
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)=
0
4
0
8
0
0.00 0.15
x
P(X=x)
P
(
4
)
0
4
0
8
0
0.00 0.08
x
P(X=x)
P
(
1
0
)
0
4
0
8
0
0.00 0.06
x
P(X=x)
P
(
2
0
)
0
4
0
8
0
0.00 0.04
x
P(X=x)
P
(
5
0
)
Exemplo 4. 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?
Se X, n-mero de c2amadas $e rece&e a central tele%3n!ca da empresa
em 4 m!ntos, ento, X ~P(). Aqui t=2 e =3/4=0,75, ento =(0,75)(2)=1,5. Ou
seja X~P(1,5)
5 , 1
5 , 1
= =

e
x
. 808847 , 0 ]
2
5 , 1
5 , 1 1 [ ) 2 ( ) 1 ( ) 0 ( ) 2 (
.... 3 , 2 , 1 , 0 ,
!
5 , 1
) (
2
5 , 1
= + + = = + = + = =
= =

e X P X P X P X P
x
x
e
x f
A Distribuio Poisson Como Aproximao da Distribuio Binomial
A distribuio Binomial para x sucessos em n ensaios de Bernoulli e dada por:
. , , 0 , ) 1 ( ) ( n x p p
x
n
x X P
x n x
L =
|
|

\
|
= =

Se =np, p=/n, substituindo p na funo probabilidade temos
n
|
|

1
x
x
x n x
n
n
x n
x
n n n n x
n
x X P
|

\
|

|

\
|

|

\
|
+

\
|

|

\
|
=
|

\
|

|

\
|
|
|

\
|
= =


1
1
!
1
1
2
1
1
1 1 ) ( L
!
) ( ,
x
e
x X P temos n Fazendo
x


= =
Exemplo 5. A probabilidade de um rebite particular na superfcie da asa de uma
aeronave seja defeituosa 0,001. H 4000 rebites na asa. Qual a probabilidade
de que seja instalados no mais de seis rebites defeituosos?
Se X, n-mero de re&!tes de%e!tosos na asa da aerona5e. Ento,
X~B(#00,0,001)
( ) ( )

= |
|

|
=

6
400
. 8894 , 0 999 , 0 001 , 0
4000
) 6 (
x x
X P ( ) ( )

= |

\
=
=0
. 8894 , 0 999 , 0 001 , 0 ) 6 (
x
x
X P
6sando a aprox!ma"o de 7o!sson, 0#000(0,001)0# X~7(#)

= =
6
0
4
. 889 , 0
!
4
) 6 (
x
x
x
e
X P
8eorema, Se
n
X X , ,
1
K so 5ar!/5e!s aleat:r!as !ndependentes, com
d!str!&!"o de 7o!sson com par;metros,
n
, ,
1
K , respect!5amente,
ento a 5ar!/5el aleat:r!a,
n
X X Y L + =
1

tem d!str!&!"o de 7o!sson com par;metro,
n
L + =
1
.
Exemplo 6. Em uma fabrica foram registradas em trs semanas a mdia de
acidentes: 2,5 na primeira semana, 2 na segunda semana e 1,5 na terceira
semana. Suponha que o nmero de acidentes por semana segue um processo de semana. Suponha que o nmero de acidentes por semana segue um processo de
Poisson. Qual a probabilidade de que haja 4 acidentes nas trs semanas?
Se*a a 5ar!/5el aleat:r!a,
i
X , n-mero de ac!dentes na !<)s!ma
semana, !01,4,=. ) ( ~
i i
P X , ento, a 5.a. ,
3 2 1
X X X Y + + = tem d!str!&!"o
de 7o!sson com par;metro, 6 5 , 1 2 5 , 2 = + + = .(>~7(1))
1339 , 0
! 4
6
) 4 (
4 6
= = =

e
Y P
.stimao de FarGmetros
Populao Amostra
Distri)uio de Fro)a)ilidade 'ou KDF(
FarGmetros
Distri)uio 0mostral 'Krequncias(
.statsticas
'valor fixo(
estimar
'varivel aleatria( 'valor fixo( 'varivel aleatria(
pontual 'estatsticas(
por intervalo 'intervalos de confiana(
.stimao
8]S# estatstica# " a v.a. que estima 'pontualmente( um parGmetro 'populacional(
as veHes " c5amada simplesmente de estimador
estimativa# " o valor do estimador o)tido para uma amostra especfica
-0RI^-.$ 0$.0_`RI0 DIS/R._0 '/0R0/_.RIa0bc8(
/onsidere T uma varivel aleatria discreta assumindo os valores# x1! x?! ...! xi! ...!
com pro)a)ilidades f'x1(! f'x?(! .... ! f'xi(! ....
.xpectativa! esperana! m"dia ou valor esperado de T
0 m"dia! expectativa! valor esperado ou esperana matemtica da varivel aleatria T "
representada por d ou .'T( e calculada por#
; " E(X) = x1f(x1) + x2f(x2) +... + xnf(xn) + ... = :xi.f(xi)
.xemplo
8alcular o nmero esperado de %aces caras no lanamento de duas moedas
e)uilibradas!
5oloo. @e,a N ; *mero de caras! -nto a distribuio de N $ dada por(
x 2 1 ?
f'x( 1Z@ ?Z@ 1Z@
Zo0o a expectativa de N ser( -&N' ; A!&BQD' T B!&CQD' T C!&BQD' ; BQC T BQC ; B cara! Zo0o a expectativa de N ser( -&N' ; A!&BQD' T B!&CQD' T C!&BQD' ; BQC T BQC ; B cara!
0 variGncia de T
Seja T uma varivel aleatria discreta com m"dia d 6 .'T(. .nto a variGncia de T! anotada
por e
?
ou -'T( " definida por#
FodeDse demonstrar que a expresso da variGncia! acima! pode ser transformada na
se3uinte expresso#
.'T( 6 1! ento#
e
?
6 -'T( 6 Xf'xi( 'xifd(
?
6 '1Z@('2 D 1(? g '?Z@(' 1 D 1(
?
g '1Z@('? D 1(
?
6 1Z?
8u ainda#
.'T
?
( 6 '1Z@(.2
?
g '?Z@(.1
?
g '1Z@(.?
?
6 <Z?
e
?
6 -'T( 6 .'T
?
( D d
?
6 <Z? D 1
?
6 1Z?
> desvio padro da varivel N+ anotado por `+ $ a rai: )uadrada da varincia!
8 desvio padro
0 variGncia relativa e o coeficiente de variao
@e,a N uma varivel aleatria discreta com m$dia a ; -&N' e varincia `
C
; V&N'! -nto a @e,a N uma varivel aleatria discreta com m$dia a ; -&N' e varincia ` ; V&N'! -nto a
varincia relativa de N+ anotada por( b
C
+ e de%inida por( b
C
; `
C
Q a
C
> coe%iciente de variao de N $ de%inido como a rai: )uadrada da varincia relativa( b ; ` Q
a
O termo aleatrio indica que a cada possvel valor da
v.a. atribumos uma probabilidade de ocorrncia.
VARIVEL ALEATRIA DISCRETA
Funo de probabilidade( f.p.): a funo que
atribui a cada valor x
i
da v. a. discreta X sua
probabilidade de ocorrncia e pode ser apresentada
1 ) x P(X e 1 ) x P(X 0
n
1 i
i i
= == =
= == = = == = = == =
Uma funo de probabilidade deve satisfazer:
i
probabilidade de ocorrncia e pode ser apresentada
pela tabela:
O Departamento de Estatstica formado por 35
professores, sendo 21 homens e 14 mulheres.
Uma comisso de 3 professores ser constituda
sorteando, ao acaso, trs membros do
departamento. Qual a probabilidade da
comisso ser formada por pelo menos duas
Exemplo 1:
comisso ser formada por pelo menos duas
mulheres?
Vamos definir a v.a.
X: n de mulheres na comisso.
= {(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),
Exemplo 2: Um dado lanado duas vezes de forma
independente. Qual a probabilidade da soma dos
pontos ser menor do que 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 a probabilidade de cada ponto w
i
de ?
Admitindo que o dado perfeitamente homogneo
e sendo os lanamentos independentes, ento
P(w
i
) = 1/36 , w
i
.
Defina X: soma dos pontos.
Ento,
Funo de probabilidade de X:
Ento,
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
Podemos estar interessados em outras v.a.s.
Y: valor mximo obtido dentre os dois lanamentos
Z: diferena entre os pontos do 2 e do 1 lanamento
U: pontos do 2 lanamento
MDIA E VARINCIA (v.a. discretas)
Qual o valor mdio da soma dos pontos no
lanamento de dois dados?
Valor Esperado (mdia): Dada a v. a. X, assumindo os
valores x
1
, x
2
, ..., x
n
, chamamos de valor mdio ou
valor esperado ou esperana matemtica de X o valor

= == = = == = = == = + ++ + + ++ + = == = = == =
n
) x .P(X x ) x .P(X x ... ) x .P(X x E(X)
No exemplo,
E(X) = 2.(1/36) + 3. (2/36) + ... + 11. (2/36) + 12. (1/36)
= 252/36 = 7
ou seja, em mdia, a soma dos pontos no lanamento
dos dois dados 7.
E(X) = == =
Notao:

= == =
= == = = == = = == = + ++ + + ++ + = == = = == =
1 i
i i n n 1 1
) x .P(X x ) x .P(X x ... ) x .P(X x E(X)
Varincia: o valor esperado da v.a. (X E(X))
2
, ou
seja, se X assume os valores x1, x2, ..., xn,
Da relao acima, segue que
Notao:
Var(X).

2
= == =
) x P(X . E(X)] - [x Var(X)
i
n
1 i
2
i
= == = = == =

= == =
. Var(X) DP(X) =
Desvio Padro: definido como a raiz quadrada
positiva da varincia, isto ,
Notao:
DP(X).
= == =
. [E(X)] ) E(X Var(X)
2 2
= == =
83. , 5
36
210
36
1
7) - (12
36
2
7) - (11 ...
36
2
7) - (3
36
1
7) - (2 Var(X)
2 2 2 2
= == = = == =
. .. .
+ ++ +
. .. .
+ ++ + + ++ +
. .. .
+ ++ +
. .. .
= == =
No exemplo,
83 , 54
36
1974
36
1
12
36
2
11 ...
36
2
3
36
1
2 ) E(X
2 2 2 2 2
= == = = == =
. .. .
+ ++ +
. .. .
+ ++ + + ++ +
. .. .
+ ++ +
. .. .
= == =
Alternativamente, poderamos calcular
e, portanto, Var(X) = 54,83 7
2
= 5,83.
1) Se Y = aX + b, onde a e b so constantes, ento
E(Y) = E(aX + b) = aE(X) + b
e
Var(Y) = Var(aX + b) = a
2
Var(X).
2) Se X , X , ..., X so n variveis aleatrias, ento
Propriedades:
2) Se X
1
, X
2
, ..., X
n
so n variveis aleatrias, ento
E(X
1
+ ... + X
n
) = E(X
1
) + E(X
2
) + ... + E(X
n
).
Se X
1
, X
2
, ..., X
n
so independentes, ento
Var(X
1
+ ... + X
n
) = Var(X
1
) + Var(X
2
) + ... + Var(X
n
).
A funo de distribuio ou funo de distribuio
acumulada de uma varivel aleatria discreta (ou
continua) X definida, para qualquer valor real x, pela
seguinte expresso:
Funo de Distribuio Acumulada (f.d.a.)
) ( ) ( x X P x F = ) ( ) ( x X P x F =
Observe que o domnio de F todo o conjunto dos
nmeros reais, ao passo que o contradomnio o
intervalo [0,1]
Considere o experimento que consiste no
lanamento independente de uma moeda duas vezes.
Seja a v.a. X: n de caras obtidas. Encontre a f.d.a. da
v.a. X.
0 e , 0 < x s
Exemplo 3



2 s , 1
2 1 se , 75 , 0
1 0 se , 25 , 0
0 e , 0
) ( ) (

<
<
<
= =
x e
x
x
x s
x X P x F
Grficar !
No exemplo 1 usando a tabela da f.p. de X: n de
mulheres na comisso.
0 e , 0 < x s
a f.d.a. de X ser dada por
Exemplo 4
3 s , 1
3 2 se , 975 , 0
2 1 se , 684 , 0
1 0 se , 203 , 0
0 e , 0
) (

<
<
<
<
=
x e
x
x
x
x s
x F
Grfico !
Da relao anterior se estamos interessados na
probabilidade de se ter at duas mulheres na
comisso a resposta imediata:
975 , 0 ) 2 ( ) 2 ( = = X P F
1
F(x)
0 1 3 2
0.203
0.684
0.975
1
x
Principais modelos probabilsticos discretos
1. Modelo Uniforme Discreto
Exemplo 5: Considere o experimento que consiste no lanamento de um dado, e
estamos interessados na v.a. X: N
o
da face obtida. Neste caso todos os possveis
resultados ocorrem com a mesma probabilidade e, assim, podemos dizer que a
probabilidade se distribui uniformemente entre os diversos resultados, ou seja,
podemos escrever a seguinte f.p. :
X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6
Seja X uma varivel aleatria cujos possveis valores so representados por x
1
,
x
2
...,x
k
. Dizemos que X segue o modelo Uniforme discreto se atribui a mesma
probabilidade( 1/k) a cada um desses k valores, isto sua f.p. dada por
Distribuio de uma v.a. Uniforme Discreta
contrario caso 0,
k. 1,2,..., i 1/k,
) x P(X
i
=
= =
P(X=x
i
) 1/6 1/6 1/6 1/6 1/6 1/6
Notao: X~U
d
(x
1
,..,x
k
)
Se X~U
d
(x
1
,..,x
k
), pode-se mostrar que:

=
=
k
i
i
x
k
X E
1
1
) (


=
=
k
n
i
i
x
x X Var
2
1
2
}
) (
{
1
) (

=
=
=
i
i
i
k
x
k
X Var
1
1
2
} {
1
) (
No exemplo 5, temos que:
5 , 3 ) 6 5 4 3 2 1 (
6
1
) ( = + + + + + = X E
9 , 2 } 6 / 21 ) 36 25 16 9 4 1 {(
6
1
) (
2
= + + + + + = X Var
Obter a f.d.a. !
Introduo
Varveis aleatrias discretas
Variveis aleatrias contnuas
III Variveis Aleatrias
Variveis aleatrias contnuas
Parmetros das variveis aleatrias
Variveis aleatrias bidimensionais
-ariveis 0leatrias /ontnuas
Kuno densidade de pro)a)ilidade
1 Uma fooo JeoslJoJe Je ptoboblllJoJe f(x) pode ser
usada para descrever a distribuio de probabilidades de
uma varivel aleatria contnua k!
1 A probabilidade de k estar entre o e b $ determinada pela
inte0ral de f(x) entre o e b!
f(x)
x
o b
l(o < x < b)
Kuno densidade de pro)a)ilidade
1 Definio# DiHDse que f(x) " a funo densidade de
pro)a)ilidade da varivel aleatria contnua X se a
rea limitada por f'x(! o eixo dos x e as retas x " a e
x " 3 for i3ual a P(a , x , 3)! isto "#
-ariveis 0leatrias /ontnuas
x " 3 for i3ual a P(a , x , 3)! isto "#

= == = < << < < << <
b
a
dx ) x ( f ) b x a ( P
1 Propriedades(

+ ++ +

= == =

1 dx ) x ( f . 2
x todo para 0 ) x ( f . 1
Kuno densidade de pro)a)ilidade
1 >bserva?es(
B! A de%inio anterior mostra )ue a probabilidade de
)ual)uer valor especi%icado de k+ por exemplo x + tem
-ariveis 0leatrias /ontnuas
)ual)uer valor especi%icado de k+ por exemplo x
o
+ tem
l(k = x
o
) = 0+ pois

= == = = == = = == =
o
o
x
x
o
0 dx ) x ( f ) x X ( P
sendo assim+ as probabilidades abaixo sero todas
i0uais+ se N %or uma varivel aleatria contnua(
) b X a ( P ) b X a ( P ) b X a ( P ) b X a ( P < << < < << < = == = < << < = == = < << < = == =
Kuno densidade de pro)a)ilidade
1 >bserva?es(
?. &oteDse que f(x)! densidade de pro)a)ilidade! no
" pro)a)ilidade. Somente quando a funo for
-ariveis 0leatrias /ontnuas
" pro)a)ilidade. Somente quando a funo for
inte3rada entre dois limites! ela produHir uma
pro)a)ilidade! que ser a rea so) a curva funo
entre x " a e x " 3! para a U ).
Kuno densidade de pro)a)ilidade
1 -xemplo &"ont0omerI et ol.+ CAAB'( @e,a a varivel aleatria
contnua k a representao do dimetro de um ori%cio
per%urado em uma placa com um componente metlico! >
dimetro alvo $ BC+F mm! A maioria dos distrbios aleatrios no
-ariveis 0leatrias /ontnuas
dimetro alvo $ BC+F mm! A maioria dos distrbios aleatrios no
processo resulta em dimetros maiores! 2ados /istricos
mostram )ue a distribuio de k pode ser modelada por uma
%uno densidade de probabilidade f(x) = 20e
-20(x - 12,5)
+ x > 12,5!
&a' @e uma pea com dimetro maior )ue BC+E mm %or
descartada+ )ual ser a proporo de peas descartadas\
&b' _ue proporo de peas est entre BC+F e BC+E\
Kuno densidade de pro)a)ilidade
1 @oluo( A %uno densidade e a probabilidade
re)uerida so mostradas na %i0ura abaixo!
-ariveis 0leatrias /ontnuas
BC+F BC+E
f(x)
x
Kuno densidade de pro)a)ilidade
1 @oluo &cont!'(
a' Uma pea $ descartada se k > 12,6+ lo0o(
-ariveis 0leatrias /ontnuas

b' Uma pea no $ descartada se 12,5 < k < 12,6+ lo0o(
135 , 0 e
dx e 20 dx ) x ( f ) 6 , 12 X ( P
6 , 12
) 5 , 12 x ( 20
6 , 12 6 , 12
) 5 , 12 x ( 20
= == = = == =
= == = = == = = == = > >> >





865 , 0 e
dx e 20 dx ) x ( f ) 6 , 12 X 5 , 12 ( P
6 , 12
5 , 12
) 5 , 12 x ( 20
6 , 12
5 , 12
6 , 12
5 , 12
) 5 , 12 x ( 20
= == = = == =
= == = = == = = == = < << < < << <



-ariveis 0leatrias /ontnuas
Kuno distri)uio cumulativa
1 A %uno distribuio cumulativa de uma varivel aleatria
contnua k+ com%uno densidade de probabilidade f(x) $(

x


= == = = == = du ) u ( f ) x X ( P ) x ( F
para cL x L c!
1 Para uma varivel aleatria contnua k+ a de%inio pode
tamb$mser l(x) = l(k < x)+ pois l(k = x) = 0!
-ariveis 0leatrias /ontnuas
Kuno distri)uio cumulativa
1 A %uno distribuio cumulativa l(x) pode ser relacionada W
%uno densidade de probabilidade f(x) e pode ser usada
para obter probabilidades+ como se0ue(


= == = = == = = == = < << < < << <
b
a
b a
) a ( F ) b ( F dx ) x ( f dx ) x ( f dx ) x ( f ) b X a ( P
1 > 0r%ico de uma %uno distribuio cumulativa tem
propriedades espec%icas! Pelo %ato de l(x) %ornecer
probabilidades+ ela $ sempre positiva! Al$m disso+ W medida
)ue x aumenta+ l(x) $ crescente! Vinalmente+ )uando x
tende a ~+ l(x) = l(k < x) tende a 1!
-ariveis 0leatrias /ontnuas
Kuno distri)uio cumulativa
1 -xemplo &"ont0omerI et ol!+ CAAB'( As leituras da
temperatura de um termopar em um %orno %lutuam de
acordo coma %uno distribuio cumulativa





> >> >
< << <
< << <
= == =
C 810 x 0
C 810 x C 800 80 x 1 , 0
C 800 x 0
) x ( F
2etermine(
a' P&N L HAF'. b' P&HAA L N M HAF'. c' P&N d HAH'
d' @e as especi%ica?es para o processo solicitassem )ue a
temperatura do %orno estivesse entre 802c e 808c+
)ual seria a probabilidade da %ornal/a operar %ora das
especi%ica?es\
-ariveis 0leatrias /ontnuas
Kuno distri)uio cumulativa
1 @oluo(
a'
5 , 0 0 80 805 1 , 0
) ( F ) 805 ( F ) 805 X ( P ) 805 X ( P
= =
= = < < =
5 , 0 0 80 805 1 , 0
) 800 ( F ) 805 ( F ) 805 X 800 ( P
= =
= = <
2 , 0 ) 80 808 1 , 0 ( 1
) 808 ( F ) ( F ) X 808 ( P ) 808 X ( P
= =
= + = + < < = >
b'
c'
d'
2 , 0 0 80 802 1 , 0
) ( F ) 802 ( F ) 802 X ( P ) 802 X ( P
= =
= = < < = <
4 , 0 2 , 0 2 , 0 ) 808 X ou 802 X ( P = + = > <
Varivel Aleatria 8ontnua(
1 Associamos probabilidades a intervalos de valores da varivel!
1 Assume valores num intervalo de nmeros reais!
1 *o $ possvel listar+ individualmente+ todos os possveis valores de
uma v!a! contnua!
P&N;x'
In%initos valores de N
Varivel aleatria contnua &%unco
B C 9 D F E
x
P&N;x'
Varivel aleatria
discreta &%!p!'
Varivel aleatria contnua &%unco
densidade de probabilidade+%!d!p!'
%&x'
'i( 0 rea so) a curva de densidade " 1! isto "!
'ii( f'x( 2! para todo x%
'iii( F'a T )( 6 rea so) a curva da densidade f'x( e acima do
eixo x! entre os pontos a e )%
Fropriedades dos 4odelos /ontnuos
1 ) ( =

dx x f
R
Uma v!a! N contnua $ caracteri:ada por sua %uno densidade de
probabilidade %&x' &%!d!p' com as propriedades(
eixo x! entre os pontos a e )%
'iv( F'X 6 x
#
( 6 2! para x
#
fixo.
0ssim!
F'a U X U 3( 6 F'a X U 3(
6 F'a U X 3( 6 F'a X 3(6
dx x f
b
a

) (
MDIA E VARINCIA (v.a. continas)
Valor Esperado (mdia): Dada a v. a. X, o valor
esperado ou esperana matemtica de X dada por
E(X) = == =
&otao#
dx x xf

= ) ( E(X)
E(X) = == =
&otao#
Varincia: < o valor esperado da v.a. (X E(X))
2
, ou
seja,
2 2 2
)) ( ( ) ( ) ( ) - (x Var(X) X E X E dx x f = =

(X) V
2
ar =
&otao#
E!e"#$o %
A durao, em anos, de uma lmpada especial uma varivel
aleatria contnua com funo densidade dada por:
) (
) , 0 (
2
x I ce
x

= f(x)
*otaco usual
c.c , 0
0 x ,

2

=
x
ce
f(x)
1..ncontre o valor da constante c#Das propiredades vistas temos que
ch2 e
1 f(w)dw
R
=

2 = c
1 c 0
2
0
0
-
= +


dw e dw
w
?..ncontre a funo de distri)uio'f.d.a(# c# Da definio temos que

= =
x
-
f(w)dw x) P(X F(x)
/laro que para xU2! K'x(62! pois a funo
densidade " nula e para x[2! temos
Continuao exemplo 1


= =
x
x w
e dw e
0
2 2
. 1 2 F(x)
9! 8alcule a probabilidade da lampada durar at$ C anos( 8alculamos
98 , 0 1
) 2 ( 2
= =

e F(2)
ou
0 x , 2 - 1
0 x , 0

2

<
=
x
e
F(x)
D! 8alcule o valor esperado da durao em anos da lampada( D! 8alcule o valor esperado da durao em anos da lampada(


= + = =
0
2
0
5 . 0 2 0 ) ( dw we dw w dw w wf
w
R
E(X)

=
b
a
b
a
b
a
x f d x g x g x f x g d x f )) ( ( ) ( | ) ( ) ( )) ( ( ) (
I"P>]RA*R-( Inte0ral por partes e Reorema de Ze/ospital
B! "odelo Uni%orme
Uma varivel aleatria contnua T tem distri)uio uniforme com parGmetros e se sua
funo de densidade de pro)a)ilidade " dada por#

=
c c
x
x f
. , 0
,
1
) (


&otao# TiU' ! ((
( )
12
) ( ,
2
) (
2

=
+
= X Var X E

<
=

x
x
x
x
x F
1
0 0
) (
0 funo de distri)uio acumulada " dado por#
D! "odelo *ormal
-xemplo ( >bservamos o peso+ em 40+ de BFAA pessoas adultas selecionadas ao acaso em
uma populao!
> /isto0rama por densidade $ o se0uinte(
0.04
30 40 50 60 70 80 90 100
0.00
0.01
0.02
0.03
Peso
D
e
n
s
i
d
a
d
e
7 a distribuio dos valores $ aproximadamente sim$trica em torno
de SA40.
A anlise do /isto0rama indica )ue(
7 a maioria dos valores &HH[' encontra7se no intervalo &FF.HF'.
7 existe uma pe)uena proporo de valores abaixo de DH40 &B+C[' e
acima de GC40 &B['!
Vamos de%inir a varivel aleatria
8omo se distribuem os valores da varivel aleatria k+ isto $+ )ual a
distribuio de probabilidades de k \
k( peso+ em 40+ de uma pessoa adulta escol/ida
ao acaso da populao!
A curva contnua da %i0ura denomina7se cotvo Notmol.
30 40 50 60 70 80 90 100
0.000
0.015
0.030
Peso
D
e
n
s
i
d
a
d
e
A distribuio *ormal $ uma das mais importantes distribui?es
contnuas de probabilidade pois(
1 "uitos %enfmenos aleatrios comportam7se de %orma prxima a
essa distribuio! -xemplos(
B! altura
C! presso san0gnea C! presso san0gnea
9! etc!
1 Pode ser utili:ada para calcular+ de %orma aproximada+ probabilidades
para outras distribui?es+ como por exemplo+ para a distribuio
Xinomial!
> "odelo *ormal
Uma varivel aleatria contnua N tem distribuio normal com m$dia e varincia +
se sua %uno de densidade $ dada por(
2

R x e x f
x
=
|

\
|

,
2
1
) (
2


). , ( ~ :
2
N X Notao
2istribui?es normais com
m$dias di%erentes e varincias
i0uais!
2istribui?es normais com
m$dias i0uais e varincias
di%erentes
Propriedades da distribuio normal
2
) ( , ) ( ) ( = = X Var X E a
')( 0 distri)uio " sim"trica ao redor de sua m"dia.
'c( 0 rea total so) curva " i3ual a um portanto! cada metade da curva tem 2!: da rea
total.
'd(
6896 , 0 ) ( = + X P
9973 , 0 ) 3 3 (
9546 , 0 ) 2 2 (
6896 , 0 ) (
= +
= +
= +



X P
X P
X P
dt
t
x F
x


|
|

\
|
|

\
|

=
2
2
1
exp
2
1
) (


A %uno de distribuio acumulada de uma v!a
). , ( ~
2
N X
2istribuio normal padro ou redu:ida
@e h $ uma varivel aleatria normal com m$dia :ero e varincia om, ento h $ c/amado
de uma v!a! normal padro ou redu:ida e sua %!d!p $ dada por(
R z e z f
z
=

,
2
1
) (
2
2

A %uno de distribuio acumulada de uma v!a h^*&A+B' J


dt t z Z P z
z
) 5 , 0 exp(
2
1
) ( ) (
2
= =



uso Jo 1obelo Notmol
dt t z Z P z
z
) 5 , 0 exp(
2
1
) ( ) (
2
= =



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

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
2istribuio normal( valores de P&hM:';i&:'+ :jA
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

.xemplo# Seja ai&'2!1(! determinar#
&a' P&hLB+HA'
&b' P&A+HALhLB!DA'
&c' P&hL7A+FS'
&d' > valor de 4 tal )ue( P&hL4';A+AF!
Soluo# da tabela normal padro tem7se(
0,964070 ) 80 , 1 ( ) 80 , 1 ( ) (
= = = < <
= = < Z P a
0,1311 0,78814 - 0,91924 (0,80) - (1,40) 1,40) Z P(0,80 (b) = = = < <
0,284339. 715661 , 0 1 ) 57 , 0 ( 1 ) 57 , 0 ( ) ( = = = < Z P Z P c
64 , 1 05 , 0 ) ( ) ( = = < k k Z P d
_eorema '_ransformao 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
2 2 2
b
Y
= .

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

\
|

=

.xemplo# Se Ti&'C2!122(. Determinar#


'a( F'A2U T U 122(
')( F'>TDC2>U<2(
'c( 8 valor de a tal que# F'C2D?a UTU C2g?a(62!CC
718595 , 0 ) 97725 , 0 1 ( 0,841345
)) 2 ( 1 ( ) 1 ( ) 2 ( ) 1 (
) 1 2 ( )
10
90 100
10
90 70
( ) 100 70 ( ) (
= =
= = =
= < < =

<

<

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

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
0,9973 1 - 0.998650 2 1 ) 3 ( 2 ) 3 3 ( = = < = < < = Z P Z P
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 ( ) (
= =
= < = =
|

\
|
<

< = < < = + < <


a
a
a
Z P
a
Z P
a X a
P a X a P a X a P c
Exem-l= 8 tempo 3asto no exame exame de uma universidade tem
distri)uio normal com m"dia 1?2 minutos e desvio padro 1:
minutos.
'a( SorteandoDse um aluno ao acaso! qual " pro)a)ilidade dele terminar o
exame antes de 122 minutosk
X= tempo 3asto no exame vesti)ular.
) 33 , 1 (
15
120 100
) 100 (
). 15 , 120 ( ~
2
=
|

\
|

< = < Z P Z P X P
N X
0,091769 0,908241 1 ) 33 , 1 ( 1
) 33 , 1 ( 1
15
= = =
< =
\
Z P
&b' _ual deve ser o tempo de exame de modo )ue permita o GF[ dos alunos terminem
no pra:o estipulado\
95 , 0
15
120
) (
95 , 0 ) (
=
|

\
|

< = <
= <
x
Z P x X P
x X P
:;\ + tal )ue &:';A+GF
Da ta)ela H6 1!9@
'c( Jual o intervalo central de tempo! tal que B2l dos estudantes 3astam para
completar o examek
6 , 152 15 64 , 1 120 = + = x
80 . 0
15
120
15
120
80 , 0 ) (
2 1
2 1
=
|

\
|

=
x
Z
x
P x X x P
:;\ + tal )ue &:';A+GA
2a tabela :; B+CH
. min 2 , 139 28 , 1 15 120 28 , 1
15
120
. min 8 , 100 28 , 1 15 120 28 , 1
15
120
2 2
2
1 1
1
= + = =

= = =

x x
x
x x
x
Distribuio Normal
Alguns resultados teis relativos distribuio
normal: Para qualquer varivel aleatria normal,
A %uno distribuio cumulativa de uma varivel
aleatria normal padro k denotada por(
8urva normal
pontos de in%lexo
= m$dia
= desvio padro


assntota assntota
distribuio normal &ou 0aussiana'
>bservada no s$culo NVIII( Ocurva normal de
errosP
+ < < =

x e x f
x
2
2
2
) (
2
1
) (


7 T
f(x)
Ponto de
in%lexo
distribuio normal (ou gaussiana)



=
x
d e x F


2
2
2
) (
2
1
) (
.uno probabilidade acumulada"
/o pode ser inte0rada de forma explcita1
2 calculada numericamente e tabelada1 2 calculada numericamente e tabelada1
roblema"
para cada valor de e seria necessria uma tabela diferente3
4oluo" distribuio normal padroni5ada1
= )
= 6
= )
= *
X
* 6
f(x)
f(7)
varivel distribuio
= )
= %
= 6
3 = X Y
2
3
=
X
Z
* 6
*
6
f(5)
distribuio normal padronizada
8udana de varivel para que = 6 e
)
= %


=
X
Z
z
2
1

=
z
d e z F

2 /
2
2
1
) (
+ < < =

z e z f
z
2
2
2
1
) (

.(5) tabelado
% 9 .(5)
propriedade para uso da tabela:
.(95)
.(95) = -
) ( 1 ) ( z F z F =
5 6 95
exemplo:
:alcule a probabilidade de um ;A com distribuio normal
com = * e = ) apresentar valores entre ) e ,1
= )
= *
) ( ) (
2 5
z F z F P =
3 5
* 6 ) ,
50 , 0
2
3 2
2
=

= z
00 , 1
2
3 5
5
=

= z
) 50 , 0 ( 1 ) 50 , 0 ( F F =
0.5328 0.6915] - [1 - 0.8413 )] 50 , 0 ( 1 [ ) 00 , 1 ( = = = F F P
veri%icao de normalidade
Uma distribuio $ normal\
.scores normais( con,unto de OnP valores )ue dividem a
distribuio normal ideali:ada em OnTBP%aixas com i0ual
probabilidade e or0ani:ados em ordem crescente
exemplo( n;D exemplo( n;D
6() 6() 6()
6() 6()
96(<+ 96(), 6(), 6(<+
.(96(<+) = 6()6
.(96(),) = 6(+6
.(6(),) = 6('6
.(6(<+) = 6(<6
veri%icao de normalidade
]oteiro(
B 7 8alcule e a partir dos dados experimentais
C 7 >rdene os dados de %orma crescente
9 7 >bten/a os escores normais sendo OnP o nmero de
dados experimentais dados experimentais
D 7 Plote o i7$simo valor experimental versus o i7$simo
escore normal
F 7 @e o 0r%ico resultante se aproxima de uma reta esse
indica )ue a distribuio dos dados $ prxima da
normal
*ormalmente BF n CA+ embora se,a comum n d CA+
mas no se recomenda n L BF
0
5
10
15
20
V
a
l
o
r
e
s

d
a

v
a
r
i

v
e
l
-5, 16, 6, -15
-15, -5, 6, 16
valores
valores ordenados
-20
-15
-10
-5
-1 -0.5 0 0.5 1
Escores normais
V
a
l
o
r
e
s

d
a

v
a
r
i

v
e
l
P EN Val
0.2 -0.842 -15
0.4 -0.253 -5
0.6 0.253 6
0.8 0.842 16
verificao de normalidade
-xemplos(
1
2
3
1
2
3
distribuio normal distribuio
uni%orme
-3
-2
-1
0
1
0 0,2 0,4 0,6 0,8 1
-3
-2
-1
0
1
-3 -2 -1 0 1 2 3
FadroniHando uma -arivel 0leatria
&ormal
uma varivel aleatria normal com -&N' ; a e
V&N' ; `
C
+ a varivel N $ aleatria
uma varivel aleatria normal! com .'a( 6 2 e -'a( 6 1.
8u seja! a " uma varivel aleatria normal padro.
Supon5a que as medidas da corrente em um pedao de fio si3am
a distri)uio normal! com uma m"dia de 12 miliampmres e uma
variGncia de @ 'miliampmres(
?
. Jual " a pro)a)ilidade de a medida
exceder 1< miliampmresk Seja T a corrente em miliampmres. 0
pro)a)ilidade requerida pode ser representada por F'Th1<(.
Seja a 6 'TD12(Z?. 0 relao entre os vrios valores de T e os
valores transformados de a " demostrada &otamos que Th1<
corresponde a ah1!:.
P(X>13) = P((X-10)/2 > (13-10)/2) = P(Z>1.5) = 0.06681
F'Th1<( 6 F'ah1.:( 6 1 EF'aS1.:( 6 1 E2.C<<1C 6 2.299B1
FadroniHando para calcular uma pro)a)ilidade
Supon5a que T seja uma varivel aleatria m"dia d e e
?
.nto#
.m que a " uma varivel aleatria normal padro e H 6 'xDd(Ze " o
valor H o)tido pela padroniHao de T.
0 pro)a)ilidade " o)tida por ta)ela em que H 6 'xD
/ontinuando o exemplo pr"vio! qual " a
pro)a)ilidade de a medida da corrente estar
entre C e 11 miliampmresk
Frocedendo al3e)ricamente! temos
F 'C UTU11( 6 F''CD12(Z? U 'TD12(Z? U '11D12(Z?( 6
F' D2!: U a U 2!:( 6 F'aU2!:( EF'aUD2!:( 6 2!9C1@9 F' D2!: U a U 2!:( 6 F'aU2!:( EF'aUD2!:( 6 2!9C1@9
E2!<2B:@6 2!<B?C?.
Determine o valor para o qual a pro)a)ilidade de uma medida
da corrente estar a)aixo desse valor seja 2.CB. 8 valor requerido
" mostrado 3raficamente na fi3ura @D19.
8 valor de x " tal que F'TUx( 6 2.CB. Fela padroniHao! essa
expresso de pro)a)ilidade pode ser escrita como F'TUx( 6 F''TD
12(Z? U 'xD12(Z?(6 F'aU'xD12(Z?(6 2.CB.
0 _a)ela III do 0pndice " usada para encontrar o valor de H! tal
que F'aUH(62!CB. que F'aUH(62!CB.
0 pro)a)ilidade mais prxima da _a)ela ! resulta em F'aU?.2:(
62.CACB.
?/onseqjentemente! 'xD12(Z? 6 ?!2: e a transformao
padroniHada " usada ao contrrio para determinar x. 8
resultado " x 6 ?'?.2:( g 12 6 1@!1 miliampmres