Você está na página 1de 49

Universidade Federal do Rio Grande

Engenharia Agroindustrial

Variveis Aleatrias

1. Sumrio
1.

Sumrio ..................................................................................................... 17

1.

Variveis aleatrias.................................................................................. 18
1.1 Tipos de variveis aleatrias ....................................................................................................... 18
1.1.1 Variveis aleatrias discretas ............................................................................................. 18
1.1.2 Variveis aleatrias contnuas ............................................................................................ 19

2.

Funo de distribuio acumulada ........................................................ 20

3.

Parmetros de Posio ............................................................................ 24


3.1 Mdia ou valor esperado ............................................................................................................. 24

4.

Parmetros de disperso ......................................................................... 26


4.1 Varincia ..................................................................................................................................... 26
4.2 Desvio-padro ............................................................................................................................. 26

5.

Distribuies de probabilidade especiais ............................................... 30


5.1 Distribuies Discretas de Probabilidade .................................................................................... 30
5.1.1 Distribuio de Bernoulli ..................................................................................................... 30
5.1.2 Distribuio Binomial .......................................................................................................... 31
5.1.3 Distribuio Geomtrica ...................................................................................................... 34
5.1.4 Distribuio Binomial Negativa ........................................................................................... 35
5.1.5 Distribuio Hipergeomtrica .............................................................................................. 37
5.1.6 Distribuio de Poisson ........................................................................................................ 38
5.1.7 Distribuio de Poisson como uma forma limite da binomial ............................................. 41
5.2 Distribuies Contnuas de Probabilidade .................................................................................. 42
5.2.1 Distribuio Uniforme ou Retangular .................................................................................. 42
5.2.2 Distribuio Exponencial ..................................................................................................... 45
5.2.4 Aproximao Normal da Distribuio Binomial................................................................. 55
5.2.6 Distribuio de Erlang e Gama ........................................................................................... 58
5.2.7 Distribuio de Weibull ...................................................................................................... 61

17

1. Variveis aleatrias
Definio: Funo que associa valores reais aos eventos de um espao amostral. Ou seja, uma
varivel aleatria (V.A) uma representao dos eventos de uma partio de S atravs de nmeros
reais.
Exemplos:

Verificar o n de aes que tiveram queda em um determinado dia, em uma carteira composta
com 5 aes diferentes.
A funo ser dada por:
X = Nmero de aes que tiveram queda em um determinado dia.
Define um v.a discreta que pode assumir os valores: 0, 1, 2, 3,4 e 5.

Y = Tempo gasto por um vendedor para convencer um cliente a adquirir determinado


produto.
Define uma v.a contnua que pode assumir infinitos valores.

X = Nmero de caras obtidas no lanamento de 3 moedas.


Define uma v.a discreta que pode assumir os valores: 0, 1, 2 e 3.
Se uma varivel aleatria X pode assumir os valores x1 , x2 ,..., xn com probabilidades,
n

respectivamente, iguais a p1 , p2 ,..., pn e

p
i 1

1 tem-se definida uma distribuio de probabilidade.

1.1 Tipos de variveis aleatrias


Discreta

S finito

Contnua

S infinito

Variveis Aleatrias (V.A)

1.1.1 Variveis aleatrias discretas


A distribuio de probabilidade representada pela funo massa de probabilidade (f.m.p) pX ( x) ,
tal que:
p X ( x ) P( X x )

(a) pX ( xi ) 0 , xi
18

(b) pX ( xi ) 1
i

(c) pX ( xi ) P(a X b)
xi a

Ex. Para o exemplo do n de aes da carteira.


X

P( X xi )

1
10

1
10

Ex.

Seja

2
2

de

3
3

10

caras

4
2

10

obtido

no

1
10

10

lanamento

de

trs

moedas:

S ccc, kcc, kkc, kkk , ckc, kck , cck , ckk .


X

P( X xi )

1.1.2 Variveis aleatrias contnuas


S infinito e a probabilidade de cada resultado individual zero (mas no teoricamente
impossvel). A distribuio de probabilidade representada pela funo densidade de probabilidade
(f.d.p) f X ( x) .
(a) f X ( x) 0

(b)

f X ( x) 1

(c) f X ( x) P(a X b) , b a
a

19

kx,
Ex. Dada a funo f ( x)
0,

se 0 x 4
caso contrrio

Pede-se:
a) O valor de k para que f ( x) seja uma f.d.p.
b) P(2 X 3)
Soluo:

a)

x2 4
1
f ( x)dx 1 kxdx 1 k xdx 1 k 1 8k 1 k
2 0
8
0
0

1
x, se 0 x 4
f ( x) 8

0, caso contrrio
3

1
1 x2
b) P(2 X 3) xdx 0,3125 ou 31,25%
8
8 2 2
2
3

2. Funo de distribuio acumulada


Representada por FX ( x) , corresponde probabilidade de a varivel aleatria ser menor ou
igual a um determinado valor de x .
< x <

FX ( x) P( X x)

Para X discreta: FX ( x) P( X x)

p (x

xK x

Para X contnua: FX ( x) P( X x)

f x ( )d

20

Propriedades: 1- 0 FX ( x) 1
2- FX ( x1 ) FX ( x2 ) se x1 < x2
3- lim FX ( x) FX () 1
x

4- lim FX ( x) FX () 0
x

5- lim FX ( x) FX (a ) FX (a) , a lim a


0 0

x a

Determinando probabilidades a partir da f.d.a


P(a X b) FX (b) FX (a)
P( X a) 1 FX (a)

P( X b) FX (b )

Ex.1 Experimento: 2 lanamentos independentes de uma moeda,

S kk , kc, ck , cc
Seja X o nmero de caras nos dois lanamentos:
X

pX ( xi )

0,
1
4 ,
F.d.a FX ( x)
34 ,

1,

x0
0 x 1
1 x 2
x2

21

Ex.2 Seja a funo de probabilidade de uma certa varivel aleatria X, dada por
1 2
x
x , 0 x3
. Ento a funo de distribuio dada por FX ( x) f (u )du .
f ( x) 9
0

c.c
0,

Ento:

Se x 0 FX ( x) 0 .

Se 0 x 3 FX ( x) f (u )du

3
x
3
x
33
Se x 3 FX ( x) f (u)du f (u)du 1 u 2 du 0du
0 1
9
0
3
0
3
27

1 2
x3
.
u du
9
27

0, x 0
3
x
FX ( x) ,0 x 3
27

1, x 3

Ex.3 Uma empresa tem 4 caminhes de aluguel. Sabendo-se que o aluguel feito por dia e
que a distribuio diria do nmero de caminhes alugados a seguinte,
N DE
CAMINHES

0,1

0,2

0,3

0,3

0,1

ALUGADOS/ DIA
PROBABILIDADE
DE ALUGAR
pX ( xK )

Determine:
a) Qual a probabilidade de alugar num dia mais de dois caminhes? P( X 2)
b) Qual a probabilidade de alugar no mnimo 1 caminho? P( X 1)
c) Qual a probabilidade de alugar no mximo 2 caminhes? P( X 2) ou P( X 3)
d) Determine a f.d.a.
e) Qual o valor de FX (3) ? O que significa este resultado.

22

Soluo:
a) 0,3 0,1 0,4
b) 0,2 0,3 0,3 0,1 0,9
c) 0,1 0,2 0,3 0,6
d)
X

FX ( xi )

0,1

0,3

0,6

0,9

FX ( x) P( X x)

xK x

( xK )

e) FX (3) 0,9 . Probabilidade de alugar no mximo trs caminhes.

Ex.4 A proporo de lcool em um certo composto pode ser considerada uma varivel
aleatria com a seguinte funo de densidade (f.d.p),

20 x3 (1 x),0 x 1
f X ( x)
0, c.c
Calcule a probabilidade de lcool neste composto entre 0,20 e 0,25.
Soluo:

0,25

0,2

f X ( x)dx

0,25

0,2

20 x3 (1 x)dx
0,25

20

0,25

0,2

x 4 x5
( x x )dx 20
4 5 0,2
3

(0,25)4 (0,25)5 (0,2) 4 (0,2)5


20

0,0089
5
4
5
4

23

3. Parmetros de Posio
3.1 Mdia ou valor esperado
Mdia ou valor esperado de uma varivel aleatria X denotada por X ou E ( X ) definida
por:

X E( X )

pX ( xK ) para X discreta

X E( X )

xf X ( x)dx para X contnua

Propriedades a) E ( K ) K , se K constante.
b) E( KX ) KE( X )
c) E( X Y ) E( X ) E(Y )
d) E( X K ) E ( X ) K
e)Se X e Y so independentes E( X .Y ) E( X ).E(Y )
Momento:

E ( X n ) xKn pX ( xK ) para X discreta


K

E ( X n ) x n f X ( x)dx para X contnua

3.2 Mediana
Deve

satisfazer

P( X Md ) 1

P( X Md ) 1 .
2

ponto

tal

que

P( X Md ) P( X Md ) 1 .
2

Qualquer varivel aleatria contnua tem apenas uma mediana, mas uma discreta poder ter mais do

que uma.

24

3.3 Moda
Moda o ponto de mxima probabilidade ou densidade de probabilidade.
Ex: Um jogador A paga $50,00 a B e joga 3 dados. Se sair 6 em apenas um dos dados, A
ganha $50,00; se sair 6 em dois dados, A ganha $100,00 e se sair nos trs dados, A ganha $200,00.
Calcular o lucro lquido de A em uma jogada.

A: APENAS UMA

RECEBE

PAGA

LUCRO LQUIDO

50

50

100

50

50

200

50

150

50

-50

FACE 6
B: APENAS DUAS
FACES 6
C: TODAS AS FACES
6
D: NENHUMA FACE
6
Observamos que:
1 5 5 75
P ( A) 3. . .
6 6 6 216
1 1 5 15
P ( B ) 3. . .
6 6 6 216
1 1 1
1
P (C ) . .
6 6 6 216
5 5 5 125
P( D) . .
6 6 6 216

-50

pX ( xi )

125

xi pX ( xi )

6250

216
216

0
75

50
15

216

216

750

E(X)= - $24,77

25

216

150
1

216

150

216

1
5350

216

4. Parmetros de disperso
Indicam a variabilidade da distribuio de probabilidade.

4.1 Varincia
A varincia de uma varivel aleatria X, denotada por X2 ou Var ( X ) , definida por:
Var ( X ) X2 xK X pX ( xK ) , para X discreta
2

x X

Var ( X ) X2

f X ( x)dx , para X contnua

2
2
Var ( X ) E X E ( X ) E ( X 2 ) E ( X )

Propriedades: a) X2 ( K ) 0 , sendo K = cte.


b) X2 ( K . X ) K 2 . X2 ( X ) .
c) Se X e Y so independentes: 2 ( X Y ) 2 ( X ) 2 (Y ) .
d) 2 ( X K ) 2 ( X ) .

4.2 Desvio-padro
Denotado por ( X ) , a raiz positiva de Var ( X ) ,

X X2
Coeficiente de variao (CV):
CV

X
X

Ex: Dada a distribuio de probabilidade abaixo, pede-se:


X

25

30

35

40

45

50

55

60

pX ( xi )

3p

5p

9p

11p

10p

7p

3p

2p

a) O valor de p.
b) As probabilidades: I) P(26 X 45)
26

II) P(31 X 59)


III) P( X 55)
IV) P( X 40)
c) A mdia e a moda.
d) A varincia, o desvio padro e o coeficiente de variao.
Soluo: a) pX ( xi ) 1
3 p 5 p 9 p 11 p 10 p 7 p 3 p 2 p 1

50 p 1 p

1
0,02
50

Assim,
X

25

30

35

40

45

50

55

60

pX ( xi )

0,05

0,10

0,18

0,22

0,20

0,14

0,06

0,04

b) I) P(26 X 45) P( X 30) P( X 35) P( X 40) 0,10 0,18 0,22 0,5 ou 50%
7

II) P(31 X 59) pX ( xi ) P( X 35) P( X 40) P( X 45) P( X 50) P( X 55)


i 3

0 x 20 f X ( x) 0,05 FX ( x)

ou 80%

III) P( X 55) 1 P( X 60) 1 0,04 0,96 ou 96%


IV) P( X 40) P( X 45) P( X 50) P( X 55) P( X 60) 0,2 0,14 0,06 0,04 0,44 ou
44%

27

c) e d)
xi

P( xi )

xi P( xi )

xi 2 P( xi )

25

0,06

1,5

37,5

30

0,10

3,0

90

35

0,18

6,30

220,5

40

0,22

8,80

352

45

0,20

9,0

405

50

0,14

7,0

350

55

0,06

3,3

181,5

60

0,04

2,4

144

41,30

1780,50

c) X 41,30 , Mo 40 .
d) X2 Var ( X ) xi2 pX ( xi ) X 1780,5 (41,3)2 74,81
2

X X2 74,81 8,65
CV

X 8,65

0,1952
X 41,3

Ex: Seja X a varivel aleatria (v.a) que denota a corrente medida num fio de cobre fino, em
miliamperes. Assuma que o domnio de X 0,20mA e assuma que a f.d.p. de X f X ( x) 0,05 para

0 x 20 . Pede-se:
a)A probabilidade de que a corrente medida seja menor que 10 mA.
b)A f.d.a.
c)A mdia (ou valor esperado, ou esperana).
d)A varincia.
Soluo:
10

10

a) P( X 10) f X ( x)dx 0,05dx 0,5


28

P X 10

b)Se x 0 , f X ( x) 0 FX ( x) 0 para x 0 .
Para 0 x 20 , f X ( x) 0,05
x

FX ( x) f X (u )du 0,05x para 0 x 20


0

20

20

Se x 20 , FX ( x) f X (u)du 0dx 1

0, x 0

Assim, FX ( x) 0,05 x,0 x 20


1, x 20

20

20

c) X E ( X ) xf X ( x)dx x.0,05dx

20

d) Var ( X ) ( x 10) f X ( x)dx


0

20

0,05 x 2
2

20

10mA
0

0,05.( x 10)3
( x 10) .0,05dx
3

20

33,33(mA) 2

X 33,33 5,773mA
CV

5,773
0,5773
10

29

5. Distribuies de probabilidade especiais


Como estudamos anteriormente, uma V.A fica completamente caracterizada pela sua funo
de distribuio. No caso discreto podemos usar a funo de probabilidade e no caso contnuo a funo
densidade com o mesmo objetivo.

5.1 Distribuies Discretas de Probabilidade


5.1.1 Distribuio de Bernoulli
Sucesso: probabilidade p X 1
Experimento aleatrio que s possa ter
dois resultados
Fracasso: probabilidade q 1 p X 0
Com X = nmero de sucessos (0 ou 1).
X

p X ( x)

1 p

Nestas condies a v.a X tem distribuio de Bernoulli.


P( X x) pX ( xi ) p x (1 p)1 x

x 0,1

Mdia = X p
Varincia = p.q p(1 p)

pX ( xi )

xi pX ( xi )

xi 2 pX ( xi )

30

Ex: Uma caixa contm 60 laranjas verdes e 40 maduras. Retira-se uma laranja dessa caixa ao
acaso. Seja X = n de laranjas maduras. Calcular pX ( x) , X e X .
60 3

0 q 100 5
Soluo: X
1 p 40 2

100 5

2
p X ( x)
5

1 x

3
.
5

E( X ) X
2 3
5 5

X2 Var ( X ) .

2
5

6
6
X
25
5

Ex: A experincia tem mostrado que, durante as vendas de Natal, um cliente que entra em
determinada loja tem 60% de chance de comprar um produto qualquer.
Soluo: X = cliente compra um produto
40

0 100 q
X
1 60 p

100

3
p X ( x)
5

1 x

2
.
5

5.1.2 Distribuio Binomial


Deve atender s seguintes condies:

So realizadas n repeties (tentativas) independentes, de um experimento aleatrio.

Cada tentativa admite apenas 2 resultados possveis: sucesso com probabilidade p e fracasso
com probabilidade 1-p.

A probabilidade p de sucesso se mantm constante a cada tentativa.

X = n de sucessos obtidos nas n tentativas ter uma distribuio binomial.


31

Notao: X ~ B(n, p)

n
n!
p x q n x
Funo de probabilidade: pX ( x) p x (1 p)n x
x!(n x)!
x
n
n
f.d.a: FX ( x) p x (1 p)n x
x 0 x

Mdia = X E ( X ) n. p
Varincia = Var ( X ) X2 n. p.q
Desvio padro: X n. p.q
Ex: Considere as pessoas que entram em uma loja no perodo prximo ao dia das Mes. Sabese que a probabilidade de uma pessoa do sexo masculino comprar um presente de 1/3. Se entrarem
quatro pessoas do sexo masculino nesta loja, qual a probabilidade de que 2 venham a comprar
presentes.
Soluo: Se 4 pessoas entram na loja e duas compram, possibilidades: C compra, e NC no
compra.
C , C , NC , NC
C , NC , NC , C

C , NC , C , NC
S

NC , NC , C , C
NC , C , NC , C

NC , C , C , NC

1 1 2 2 24
p 6. . . .
29,63%
3 3 3 3 81
2

4!
1 2
Ou pX (2)

2!(4 2)! 3 3

42

4! 1 2
1 4

6
2!2! 9 3
9 9

Ex: Cada amostra de gua tem chance de conter um particular poluente orgnico. Assume-se
que as amostras so independentes com respeito presena do poluente. Encontre a probabilidade de
que nas prximas 18 amostras, exatamente duas contenham o poluente.

32

Soluo: Define X = n de amostras que contm o poluente nas prximas 18 amostras analisadas.
Ento X uma v.a binomial com p = 0,1 e n = 18.

18
18!
pX (2) (0,1)2 (0,9)16
(0,1)2 (0,9) 16 153(0,1)2 (0,9)16 0,284
2
2!16!

Determine a probabilidade de que pelo menos quatro amostras contenham o poluente.
18

18!
(0,1) x (0,9)1 x
x
!(18

x
)!
x 4

P( X 4)

Ou P( X 4) 1 P( X 4)
13

18!
(0,1) x (0,9)18 x
x
!(18

x
)!
x 0

Assim, P( X 4)

18!
18!
18!
18!
(0,1)0 (0,9)18
(0,1)(0,9)17
(0,1)2 (0,9)16
(0,1)3 (0,9)15
0!(18)!
1!17!
2!16!
3!15!

0,15 0,3 0,284 0,168 0,902


P( X 4) 1 0,902 0,098

Determine a probabilidade que 3 X 7 .


6

18!
(0,1) x (0,9)18 x 0,168 0,070 0,022 0,005 0,265
x
!(18

x
)!
x 3

P(3 X 7)

Ex: A probabilidade de se obter exatamente 2 caras em seis lanamentos de uma moeda


equilibrada.
Soluo: X = n de caras obtidas nos 6 lanamentos.

1
1
, q 1 1, n 6 e x 2
2
2
2

6!
1 1
P( X 2)

2!(6 2)! 2 2

6 2

15.

1 15

64 64

Ex: Uma prova objetiva composta de 40 questes independentes com uma alternativa cada
uma. Se um aluno chutar as respostas, qual a probabilidade de obter mdia (tirar nota 7)?
Soluo: n 40 , p

1
1 4
, q 1
5
5 5
33

Para que o aluno obtenha mdia necessrio que acerte 70% das questes, isto , 28 questes,
portanto,
40 1 4
40! 1 4
P( X 28) . .
1,03.1011

28!12! 5 5
28 5 5
28

12

28

12

5.1.3 Distribuio Geomtrica


Numa srie de ensaios de Bernoulli (tentativas independentes com probabilidade de sucesso
constante igual a p). Seja X a v.a denotando o n de tentativas necessrias ao aparecimento do primeiro
sucesso. Ento X uma v.a geomtrica com parmetro 0 < p < 1
pX ( x) (1 p) x 1 p

x 1,2,....

X 1 sucesso (S) na primeira tentativa P( X 1) p


X 2 fracasso (F) na primeira e sucesso (S) na segunda P( X 2) q. p
X 3 fracasso (F) nos 2 primeiros e sucesso na terceira P( X 3) q 2 . p

X n P( X n) q n1. p
Mdia: X E ( X )

1
p

Varincia: X2 Var ( X )

(1 p)
p2

Ex: A probabilidade de acertar um n em uma loteria de 100 nmeros com um nico de 0,01.
Qual a probabilidade de que seja necessrio jogar 20 vezes para acertar um n pela primeira vez?
Soluo: p 0,01 , n 20 , q 0,99
P( X 20) (0,99)19 (0,01) 0,0083 0,83%

Ex: A probabilidade que um bit transmitido atravs de um canal de transmisso digital seja
recebido com erro 0,1. Assuma que as transmisses so independentes. Seja X a v.a denotando o n
de bits transmitidos at o primeiro erro. Qual a probabilidade de que os primeiros 4 bits sejam
transmitidos corretamente e o quinto bit com erro?

34

Soluo: X uma v.a geomtrica, p 0,1 , q 0,9


P( X 5) pX (5) (0,9)4 0,1 0,0666

Qual a mdia de transmisso de bits at o primeiro erro?


Soluo: X

1
10
0,1

Qual o desvio padro de transmisso antes do primeiro erro?


Soluo:

(1 0,1)
9, 49
(0,1)2

Suponha que 50 bits tenham sido transmitidos. Qual o n mdio de bits at o prximo erro?
Soluo: X

1
10
0,1

No depende de n perda de memria.

5.1.4 Distribuio Binomial Negativa


Numa srie de ensaios de Bernoulli (tentativas independentes com probabilidade de sucesso
constante p) seja a v.a X denotando o n de tentativas at se obter r sucessos. Ento X uma v.a
binomial negativa, com parmetros 0 p 1 e r 1,2,3,.... ,

x 1
x r r
P( X x) p X ( x)
(1 p) p
r

ou P( X x) p X ( x)

x r , r 1, r 2,...

( x 1)!
(1 p) x r p r
(r 1)!( x r )!

x r , r 1, r 2,...

Ex: No exemplo anterior, seja X denotando o n de bits transmitidos at o quarto erro.


Soluo: X tem uma distribuio binomial negativa com r 4
Mdia: X E ( X )

Varincia: X2 Var ( X )
35

r
p

r (1 p)
p2

Ex: Um site da web possui trs servidores idnticos. Um utilizado para operar o site e os
outros dois so reservas que devem ser ativados no caso do sistema falhar. A probabilidade de falha do
computador principal (ou reserva) na requisio de um servio 0,0005.
Supondo que cada requisio representa uma amostragem independente, qual o n mdio de
requisies at que acontea uma falha dos trs servidores?
Soluo: X = n de requisies at que os trs servidores falhem, p 0,0005 , r 3 .
X X1 X 2 X 3

E( X )

r
3

6000
p 0,0005

Qual a probabilidade de que os trs servidores falhem em cinco requisies?

x 1 r
xr
Soluo: P( X x) pX ( x)
p (1 p)
r

P( X 5) P( X 3) P( X 4) P( X 5)
5
x 1
3
x 3
8
P( X 5)
(0,0005) (1 0,0005) 0,1249062.10
3

1
x 3

Ex: A probabilidade de se encontrar um elevador vazio, em determinado prdio, 0,28. Qual


a probabilidade de que seja necessrio chegar ao hall do edifcio 12 vezes, para encontrar o elevador
vazio pela quinta vez?
Soluo: n 12 , r 5 , p 0,28 .

11
pX (12) (0,28)5 (0,72)7 0,057 5,7%
4

Ex: A probabilidade de se encontrar o sinal de trnsito aberto em uma esquina 0,20. Qual a
probabilidade de que seja necessrio chegar ao local 15 vezes, para encontrar o sinal aberto, pela 6
vez?
Soluo: n 15 , r 6 , p 0,2 q 0,8 .

14
P( X 15) (0,2)6 (0,8)9 0,0172 1,72%
5
36

Ex: Considere um carro esperando numa rampa de acesso a uma auto estrada. Suponha que
ele o 5 da fila esperando para entrar na auto estrada e que os espaos entre os carros na estrada so
tais que existe a probabilidade de 0,4 de que esses espaos sejam grande o suficiente para permitir a
entrada de um carro na estrada. Qual o tempo mdio de espera?
Soluo: X = tempo de espera antes de entrar na estrada medida em termos do n de espaos. X uma
varivel binomial negativa com r 5 e p 0,4 .

X E X

5
12,5 espaos
0, 4

5.1.5 Distribuio Hipergeomtrica


Uma srie de N objetos contm:
K objetos classificados como sucesso
N K objetos classificados como falhas
Uma amostra com n objetos selecionada aleatoriamente (sem repeties) a partir de N
objetos, em que K N e n N .
Seja a v.a X o nmero de sucessos na amostra. Ento X uma varivel aleatria
hipergeomtrica e

K N K
.

x
nx
p X ( x)
, onde max 0, n ( N K ) x min n, K
N

n
A mdia e a varincia de uma distribuio hipergeomtrica so,

X E X

X2 Var ( X )

n.K
K
n. p , onde p
N
N

n.K ( N K ) N n
N n
.
n. p(1 p)

N2
N 1
N 1

Ex: Uma caixa contm 16 peas boas e 4 defeituosas. Retirando-se, sem reposio, 4 peas
desta caixa qual a probabilidade de que sejam 2 de cada tipo?
Soluo: Seja X = n de peas defeituosas, N 20 , n 4 , x 2 , K 4 .

37

4 16
.
2 2
P( X 2) p X (2) 0,1486
20

4

Ex: Um lote contm 100 partes de um fornecedor brasileiro e 200 partes de um fornecedor
chins. Se 4 partes so selecionadas aleatoriamente, sem substituio, qual a probabilidade de que
sejam todas elas de um fornecedor brasileiro?
Soluo: X = n de partes de um fornecedor brasileiro,

100 200

4 4 4

P( X 4)
0,0119
300

Qual a probabilidade de que 2 ou mais partes na amostra sejam de um fornecedor brasileiro?


Soluo:

100 200
.

4
x 4 x

P( X 2) P( X 2) P( X 3) P( X 4)
0, 408
300
x2

Qual a probabilidade de que pelo menos uma parte seja de um fornecedor brasileiro?
Soluo:

100 200

0 4 0

P( X 1) 1 P( X 0) 1
0,804
300

5.1.6 Distribuio de Poisson


adequada para descrever situaes onde existe uma probabilidade de ocorrncia em um
campo ou intervalo contnuo, geralmente tempo ou rea (regio). Por exemplo, o nmero de acidentes
por ms, o nmero de consultas a uma biblioteca durante uma semana, o nmero de erros tipogrficos
numa pgina de um livro, etc.
Note que no h como determinar a probabilidade de ocorrncia de um sucesso, mas sim a
frequncia de sua ocorrncia, como por exemplo, 100 acidentes por ms, que denominaremos de .
38

A funo de probabilidade da distribuio de Poisson ,

p X ( x) e

x
x!

Notao: X ~ P( ) ou P( X ; )
Mdia: X ( X ) E X
Varincia: X2 Var ( X )
Ex: Num livro de 200 pginas h 400 erros de impresso. Qual a probabilidade de que a
pgina contenha?
a)Trs erros?
b)Pelo menos 3 erros?
c)Qual a probabilidade de que 5 pginas contenham 8erros de impresso?
Soluo:

400
2 2 erros por pgina
200

a) P( X 3)

e2 .23
0,1804 18,04%
3!

b) P( X 3) 1 P( X 3) 1 P( X 0) P( X 1) P( X 2)
e2 .20 e2 .21 e2 .22
2
1

1 5e 0,3233 32,33%
0!
1!
2!

c) 10 erros por 5 pginas,


P( X 8)

e10 .108
0,1126 11,26%
8!

Ex: Considere que o corpo de bombeiros de determinada cidade recebe em mdia, trs
chamadas por dia. Queremos saber, ento, qual a probabilidade de o corpo de bombeiros receber:
a)Quatro chamadas em um dia.
b)Nenhuma chamada em um dia.
c)Vinte chamadas em uma semana.
39

Soluo:
a) 3

P( X 4) p X (4)

b) P( X 0) pX (0)

e3 .34
0,1680 16,8%
4!

e3 .30
0,0498 4,98%
0!

c) 21 chamadas por semana,

P( X 20) pX (20)

e21.2120
0,0867 8,67%
20!

Ex: Chegam a um depsito caminhes com uma frequncia de 2,8 caminhes/hora, seguindo
uma distribuio de Poisson. Determine a probabilidade de chegarem dois ou mais caminhes:
a)Num perodo de 30 minutos.
b)Num perodo de 1 hora.
c)Num perodo de 2 horas.
Soluo:
a) 1,4

P( X 2) 1 P( X 2) 1 P( X 0) P( X 1)
e1,4 .(1, 4)0 e1,4 (1, 4)1
1,4
1

1 2, 4e 0, 4081
0!
1!

b) 2,8

P( X 2) 1 P( X 2) 1 P( X 0) P( X 1) 0,7689
c) 5,6

P( X 2) 1 P( X 2) 1 P( X 0) P( X 1) 0,97559
Hipteses do modelo de Poisson:

40

H1 A probabilidade de um sucesso em um intervalo t constante e proporcional ao tamanho do


intervalo.
H2 A probabilidade de mais de uma ocorrncia (sucesso) em um intervalo igual a zero.
H3 O nmero de ocorrncias (sucesso) constitui variveis aleatrias independentes.

5.1.7 Distribuio de Poisson como uma forma limite da binomial


Com base nos trs princpios do processo de Poisson, deve ter ficado evidente que a
distribuio de Poisson est relacionada com a distribuio binomial. Embora a Poisson encontre
aplicaes em problemas de tempo e espao, ela pode ser vista como uma forma limite da distribuio
binomial. No caso da binomial, se n for muito grande e p for pequeno, as condies comeam a
simular as implicaes de regio do espao ou do tempo contnuos do processo de Poisson. A
independncia entre as tentativas de Bernoulli no caso binomial consistente com a hiptese 1 do
processo de Poisson. Permite que o parmetro p esteja prximo de zero est relacionada com a
hiptese 2 do processo de Poisson. De fato, se n grande e p prximo de 0, a distribuio de Poisson
pode ser utilizada, com n. p para aproximar as probabilidades binomiais.
Teorema: Seja X uma v.a binomial com distribuio de probabilidade B ~ (n, p) . Quando n ,
p 0 , e np permanece constante,
B(n, p) P( )

*Na prtica n 50 e np 5 .
Ex: A probabilidade de as peas produzidas por uma mquina apresentarem padres fora das
especificaes 0,5%. Para uma produo diria de 1000 peas, qual a probabilidade de apresentaremse fora da especificao:
a)3 peas.
b)No mximo 2 peas.
c)Entre 3 e 6 peas, inclusive.
Soluo:
a) p 0,5%

0,5
0,005
100

41

n. p 1000.0,005 5
1000
3
997
Usando a binomial: P( X 3)
.0,005 (1 0,005) 0,140302
3
Usando a Poisson: P( X 3)

e5 .53
0,140374
3!

b) P( X 2) P( X 0) P( X 1) P( X 2)

1000
1000
1000
0
1000
1
999
2
998

.0,005 .(1 0,005)


.0,005 .(1 0,005)
.0,005 .(1 0,005)
0
1
2

Ou P( X 2)

e5 .50 e5 .51 e5 .52

0!
1!
2!

0,1247 12,47%

c) P(3 X 6) P( X 3) P( X 4) P( X 5) P( X 6)
53 54 55 56
e5 0,6375 63,75%
3! 4! 5! 6!

5.2 Distribuies Contnuas de Probabilidade


- Distribuio uniforme ou retangular.
- Distribuio exponencial.
- Distribuio normal.

5.2.1 Distribuio Uniforme ou Retangular


Uma v.a contnua X tem distribuio uniforme de probabilidades no intervalo [a, b] se sua
funo densidade de probabilidade for da forma:

k , a X b
f X ( x)
0, c.c

42

Valor de k:

f X ( x)dx 1 kdx 1 kx 1 k

1
ba

1
,a X b

Portanto, f X ( x) b a

0, c.c

Funo de distribuio acumulada:

a xb
FX ( x)

xa0

x b 1

1
x
a
xa
du

ba
(b a) b a b a

Assim,
0, x 0
x a

FX ( x)
,a x b
b a
1, b x

43

Mdia: X E[ X ]

x
0,5 x 2
dx
ba
ba

( a b)
2

X E[ X ]

ab
2

( a b)

b
2
Varincia: X2 Var ( X )
dx
a
ba
2

( a b)

(b a)2
2

3(b a)
12
a

X2 Var ( X )

(b a)2
12

Ex: O volume de vendas dirio de uma loja de departamentos , em mdia, de $50.000,00 com
um mnimo de $28.000,00. Supondo adequada a distribuio uniforme, pede-se:
a)Qual o volume dirio mximo de vendas?
b)Qual a porcentagem do nmero de dias em que as vendas excedem $35.000,00?
c)Qual a porcentagem do nmero de dias em que as vendas no ultrapassem a $68.000,00?
Soluo:
a) 50000 X E[ X ]

a b 28000 b

b $72000,00
2
2
1

, 28000 x 72000

f X ( x) 72000 28000

0, c.c

b) P( X 35000)

72000

c) P( X 68000)

68000

35000

28000

72000

1
x
37
dx

0,8409 84,09%
44000
44000 35000 44
68000

1
x
10
dx
0,9091 90,91%
44000
44000 28000 11

44

Ex: Seja a v.a contnua X denotando a corrente medida em um fio de cobre fino em miliamperes.
Assume que o domnio de X [0, 20 mA] e assume que a funo densidade de probabilidade :

0,05;0 x 20
f X ( x)
0, c.c
Qual a probabilidade de que a corrente medida esteja entre 5 e 10 mA?

Soluo:

10

P(5 X 10) f ( x)dx 5.(0,05) 0,25


5

A mdia medida :

X E[ X ]

Var ( X )

0 20
10
2

(b a)2 202

33,33mA2 33,33mA2 5,77mA


12
12

5.2.2 Distribuio Exponencial


Se uma distribuio de Poisson tem mdia de ocorrncias durante um intervalo de tempo, o
espao entre as ocorrncias naquele intervalo de 1 . Uma v.a contnua ter distribuio

exponencial com 0 , se sua f.d.p. for da forma:

0, t 0
f X (t ) t
.e , t 0
45

Mdia: X E ( X )

Varincia: X2 Var ( X )

Ex: Sabe-se que o tempo mdio entre o pedido e o atendimento em uma loja de peas uma
v.a com distribuio exponencial com mdia de 15 minutos. Pede-se a probabilidade de um cliente ter
de esperar:
a)por mais de 15 minutos.
b)por menos de 15 minutos.
Soluo: E ( X ) 15

a) P( X 15)

15

1
1 1t
f (t ) e 15 para t>0
15
15

1
1
t
.15
1 151 t
e
e 15
0 (e 15 ) e1 0,3679 36,79%
15
15

b) P( X 15) 1 P( X 15) 1 e1 0,6321

Ex: Os defeitos em um tecido seguem a distribuio de Poisson, com mdia de um defeito a


cada 60 metros. Qual a probabilidade de que o intervalo entre 2 defeitos consecutivos seja:
a)no mnimo 150 metros?
b)entre 90 e 110 metros?
c)no mximo 50 metros?
Soluo: X E ( X ) 60

1
60
0, x 0

f X ( x) 1 1 x
60
e ,x 0
60

1
x
1 601 x
a) P( X 150)
e dx e 60
e 2,5 0,0821
150 60
150

46

b) P(90 X 110)

110

90

c) P( X 50)

50

3
11
1 601 x
e dx e 2 e 6 0,0632
60

1 601 x
e dx e 60
60

50

0,5654

OBS: Seja um componente com distribuio de tempo de vida exponencial. Se o componente


durou at o instante t, ento a probabilidade de ele durar mais x unidades de tempo, alm das que j
durou, a mesma que um componente novo durar x unidades de tempo.
Distribuio exponencial no tem memria

P( X t x / X 1)

P[( X t x) ( X t )] P( X t x) e (t x )

t e x
P( X t )
P( X t )
e

Portanto: P( X t x / X t ) P( X x)
Ex: Seja X uma v.a exponencial, tal que E(X)=5. Calcule:
a) P(5 X 8)
b) P( X 5)
c) P( X 10 / X 5)
0, x 0
1

Soluo: X 5 f X ( x) 1 1 x
5

5
e ,x 0
5

1 15 x
e dx 0,1660
5 5

a) P(5 X 8)
b) P( X 5)

1 15 x
e dx 0,3679
5
1

1 5 x
e dx

P[( X 10) ( X 5)] P( X 10)


e2
10 5

0,3679
c) P( X 10 / X 5)
1
1 x
P( X 5)
P( X 5)
e 1
5
5 5 e dx

5.2.3 Distribuio Normal (Gauss, Laplace ou Laplace Gauss)


47

Se X uma v.a contnua e sua f.d.p for da forma:


1 x


1
f X ( x)
e 2
2

( x )

Notao: X N ( , 2 ) X uma varivel com distribuio normal de mdia X e varincia

X2 .

3 2

Caractersticas:

99,74%

1. Cada distribuio fica completamente especificada por sua mdia e seu desvio padro, ou seja,
existe uma nica distribuio para cada combinao de mdia e desvio padro.
2. A curva simtrica em relao a mdia. (mdia=mediana=moda)
3. O afastamento entre a mdia e o ponto de inflexo o desvio padro da distribuio.
4. A rea abaixo da curva entre dois pontos a e b (a<b) a probabilidade de a varivel
normalmente distribuda estar dentro do intervalo [a, b].
1 x


1
P ( a x b)
e 2
a
2
b

48

dx

P(a X b)

5. A rea total sob a curva 1.

Varivel Normal Padronizada

2 1

1 2

2 1

2 1

Devido ao que foi comentado anteriormente, recorre-se a uma mudana de varivel,


transformando a v.a X para Z atravs da relao:
49

A f.d.p da nova varivel ser: Z ( Z )

1
Z2
1
.e 2
2

( Z )

Z E ( Z ) 0
Var (Z ) 1

f.d.a: Z P(Z z )
Assim, para X Z 0
X Z 1

X 2 Z 2
X 3 Z 3

Portanto,

Uso da tabela da f.d.a Normal Padronizada


De posse do valor de Z entra-se na primeira coluna esquerda da tabela com a parte inteira e o
primeiro decimal de Z e, em seguida na 1 linha com o segundo decimal de Z. O cruzamento da linha
com a coluna fornece Z P(Z z ) .
Ex: Calcule P(Z 1,5) .

50

P(Z 1,5) Z (1,5)

= rea hachurada

0,00

0,01

0,02

0,03

.....

0,5

0,50399

0,50398

0,51197

....

0,1

....

.....

.....

.....

....

....

....

....

....

....

....

....

....

....

....

....

....

1,5

0,93317

0,93448

0,93574

0,93699

....

....

....

....

....

....

....

Pela tabela, P(Z 1,5) 0,93317 0,9332


As probabilidades que no esto na forma P(Z z ) so encontradas atravs do uso das regras
bsicas de probabilidades e da simetria da distribuio normal.
Ex: Calcule:
1) P(Z 1,26)

2) P(Z 0,86)

3) P(Z 1,37)

4) P(1,25 Z 0,37)

5) P(Z 4,6)

6)Encontre z tal que P(Z z) 0,05

7)Encontre z tal que P( z Z z) 0,99


Soluo:
1) P(Z 1,26) 1 P(Z 1,26) 1 0,89616 0,10384
51

2) P(Z 0,86) 0,19490

3) P(Z 1,37) P(Z 1,37) 0,914657

4) P(1,25 Z 0,37) P(Z 0,37) P(Z 1,25) 0,644309 0,105650 0,53866

52

5) P(Z 4,6) no tem na tabela, porm, da tabela sabemos que P(Z 3,99) 0,000033 . Como
P(Z 4,6) P(Z 3,99) , ento P(Z 4,6) 0 .

6) P(Z z) 0,05 equivalente a P(Z z) 1 0,05 0,95


z P(Z z) 0,95 z 1,6

53

0,05

7) P(Z z) 1 0,005 0,995 z 2,58

0,005

Ex: Suponha que a corrente medida em um fio fino segue uma distribuio normal, com
mdia de 10mA e varincia de 4mA2 . Qual a probabilidade de que a medida no exceda 13mA?
Soluo: X denota a corrente em mA. P( X 13) ?
Seja Z

( X 10)
2
X 13 Z

(13 10) 3
1,5
2
2

X 13 Z 1,5
P( X 13) P(Z 1,5) 1 P(Z 1,5) P( X 13) 1 0,93319 0,06681
X 10 13 10

Ou P( X 13) P
P( Z 1,5) 0,06681
2
2

54

Suponha que X uma v.a normal com mdia e varincia 2 . Ento,


X x
P( X x) P

P( Z z )

Onde Z a v.a normal padronizada e z

(x )

o valor obtido padronizando X.

Ex: Continuando o exemplo anterior, calcule a probabilidade de que a corrente medida esteja
entre 9 e 11 Ma.
9 10 X 10 11 10
Soluo: P(9 X 11) P

P(0,5 Z 0,5)
2
2
2

P(Z 0,5) P(Z 0,5) 0,69146 0,30854 0,38292

Determine o valor para qual a probabilidade que a corrente medida esteja abaixo desse valor
0,98.
x 10
X 10 x 10

Soluo: P( X x) P

P Z
0,98
2
2
2

P(Z z) 0,98 z 2,05 pois P(Z 2,05) 0,97982

( x 10)
2,05 x 2.(2,05) 10 14,1mA
2

5.2.4 Aproximao Normal da Distribuio Binomial


Ex: Em um canal de comunicao digital, assume-se que o n de bits recebido com erro pode
ser modelado por uma varivel aleatria binomial. A probabilidade que um bit seja transmitido com
erro 1.105 . Se 16 milhes de bits so transmitidos, qual a probabilidade de que mais de 150 erros
ocorram?
Soluo: X = n de erros, n 16000000 , p 1.10 5 , E( X ) n. p 160
150 16000000

5 x
5 16000000 x
P( X 150) 1 P( x 150) 1
(10 ) (1 10 )
x 0 x

Se X uma v.a binomial,


55

X np
np(1 p)

aproximadamente a v.a normal padronizada. A aproximao boa para


np 5 e n(1 p) 5

De modo a aproximar uma probabilidade binomial por uma distribuio normal, uma correo
de continuidade aplicada como segue:

x 0,5 np
P( X x) P( X x 0,5) P Z

np(1 p)

x 0,5 np

e P( x X ) P( x 0,5 X ) P
Z
np(1 p)

Ex: Em um canal digital de comunicao, suponha que o nmero de bits recebidos com erro
possa ser modelado por uma varivel aleatria binomial. Suponha que a probabilidade de um bit ser
recebido com erro seja de 1.105 . Se 16 milhes de bits forem transmitidos, qual ser a probabilidade
de se ter 150 ou menos erros?

Soluo:
150 16000000

5 x
5 16000000 x
P( X 150)
(10 ) (1 10 )
x
x 0

Claramente a probabilidade difcil de calcular. Felizmente, a distribuio normal pode ser usada para
prover uma excelente aproximao:

X 160
150,5 160
P( Z 0,75) 0, 227
P( X 150) P( X 150,5) P

5
160(1 105 )
160(1

10
)

Porque np (16.106 ).(1.105 ) 160 e n(1 p) muito maior, espera-se que a aproximao funcione
bem nesse caso.
Suponha agora que somente 50 bits devem ser transmitidos (n 50) e que a probabilidade de
um erro seja p 0,1 . A probabilidade exata de que 2 ou menos erros ocorram ,
56

50
50
50
P( X 2) 0,950 0,1(0,9)49 0,12 (0,9)48 0,112
0
1
2
Baseado na aproximao normal,

X 5
2,5 5
P( X 2) P

P( Z 1,8) 0,119
50(0,1)(0,9)
50(0,1)(0,9)

Mesmo para uma amostra to bem pequena quanto 50 bits, a aproximao normal razovel.

5.2.5 Aproximao Normal da Distribuio de Poisson


Se X uma v.a de Poisson com E[ X ] e Var ( X ) ,
Z

aproximadamente a v.a normal padronizada. A aproximao boa para 5 .


Ex: Suponha que o n de partculas de amianto em um metro quadrado de poeira sobre uma
superfcie segue a distribuio de Poisson com mdia 1000. Se um metro quadrado de poeira
analisado, qual a probabilidade que menos de 950 partculas sejam encontradas?
e1000 .1000 x
x!
x 0
950

Soluo: P( X 950)
Aproximando pela normal

950 1000

P( X x) P Z
P(Z 1,58) 0,057
1000

Exerccio 1: gua de Fnix fornecida para aproximadamente 1,4 milho de pessoas, que so
servidas atravs de mais de 362.000 contas. Todas as contas so medidas e cobradas mensalmente. A
probabilidade de uma conta conter um erro em um ms 0,001 e contas podem ser consideradas
independentes.
(a) Quais so a mdia e o desvio padro do nmero de contas com erro em cada ms?
(b) Aproxime a probabilidade de menos de 350 erros em um ms.
(c) Aproxime um valor de modo que a probabilidade de o nmero de erros exceder esse valor
seja 0,05.

57

(d) Aproxime a probabilidade de mais de 400 erros por ms nos prximos 2 meses. Considere
que os resultados entre os meses sejam independentes.

Exerccio 2: Uma impressora de alta capacidade imprime pginas com pequenos erros de
qualidade de impresso, em um teste de 1000 pginas de texto, de acordo com uma distribuio de
Poisson, com mdia de 0,4 por pgina.
(a) Porque o nmero de erros em cada pgina uma varivel independente?
(b) Qual o nmero mdio de pginas com erros (um ou mais)?
(c) Aproxime a probabilidade de mais de 350 pginas conterem erros (um ou mais).

5.2.6 Distribuio de Erlang e Gama


Uma varivel exponencial descreve o comprimento at que a primeira contagem seja obtida em um
processo de Poisson. Uma generalizao da distribuio exponencial o comprimento at que r
contagens ocorram em um processo de Poisson. Considere o seguinte exemplo:
Exemplo (Falha em um processador):
As falhas das unidades de um processador central de grandes sistemas computacionais so
frequentemente modeladas como um processo de Poisson. Tipicamente, falhas no so causadas por
componentes desgastados, mas por falhas mais aleatrias do grande nmero de circuitos de
semicondutores nas unidades. Suponha que as unidades que falhem sejam reparadas imediatamente e
considere que o nmero mdio de falhas por hora seja 0,0001. Seja X o tempo at que quatro falhas
ocorram em um sistema. Determine a probabilidade de X exceder 40.000 horas.
Seja a varivel aleatria N o nmero de falhas em 40.000 horas de operao. O tempo at que
quatro falhas ocorram exceder 40.000 horas se, e somente se, o nmero de falhas em 40.000 horas for
trs ou menos. Assim,

P X 40.000 P N 3
A suposio de que falhas seguem um processo de Poisson implica que N tenha uma distribuio de
Poisson com

E N 40.000 0,0001 4 falhas por 40.000 horas.


Logo
e4 4k
0,433.
k!
k 0
3

P X 40.000 P N 3

O exemplo anterior pode ser generalizado para mostrar q1ue se X o tempo at o r -simo evento
em um processo de Poisson, ento

58

r 1

P X x

e x x

k 0

k!

Uma vez que P X x 1 F x , a funo densidade de probabilidade de X iguala a derivada


negativa do lado direito da equao prvia. Depois de uma simplificao algbrica intensa, a funo
densidade de probabilidade de X igual

f x

r x r 1e x

r 1!

para x 0 e r 1,2,... . Essa funo densidade de probabilidade define uma distribuio de Erlang.
Claramente uma varivel aleatria de Erlang com r 1 uma varivel aleatria exponencial.
conveniente generalizar a distribuio de Erlang para permitir r ser qualquer valor nonegativo. Ento, a distribuio der Erlang e algumas outras comuns se tornam casos especiais dessa
distribuio generalizada. de modo a completar essa etapa, a funo fatorial

r 1!

tem de ser

generalizada para ser aplicada a qualquer valor no negativo ou a r ; porm, a funo generalizada
deveria ainda ser igual a r 1! quando r for um inteiro positivo.
Funo Gama
A funo gama

r x r 1e x dx, para r 0.
0

Pode ser mostrado que a integral na definio de r finita. Alm disso, integrando por partes,
pode ser mostrado que

r r 1 r 1
Assim, se r for um inteiro positivo (como na distribuio de Erlang)

r r 1!
1

Tambm, 1 0! 1 e pode ser mostrado que 1 2 2 . A funo gama pode ser interpretada
como uma generalizao para valores no inteiros de r do termo r 1! que usado na funo
densidade de probabilidade de Erlang. Agora, a distribuio de Erlang pode ser generalizada.
A varivel aleatria X com funo de densidade de probabilidade

f x

r x r 1e x
r

59

, para x 0

uma varivel aleatria gama, com parmetros 0 e r 0 . Se r for um inteiro, ento X ter
uma distribuio de Erlang.
Os parmetros e r so frequentemente chamados de parmetros de escala e forma,
respectivamente. No entanto devem-se verificar as definies usadas nos programas computacionais
comerciais. Por exemplo, o Minitab define o parmetro de escala como 1 . Esboos da distribuio
gama para vrios valores de e r so mostrados na figura abaixo.
Distribuio Gama
1,0

Forma
1
8,3
7,5

0,8

1/escala
1
0,5
0,2666

f(x)

0,6

0,4

0,2

0,0

10

Lembre-se que uma distribuio exponencial, com parmetro , a mdia e a varincia so


1 e 1 2 , respectivamente. Uma varivel aleatria de Erlang o tempo at o r -simo evento em um

processo de Poisson e o tempo entre eventos sejam independentes. Por conseguinte, plausvel que a
mdia e a varincia de uma varivel aleatria gama sejam multiplicadas pelo resultado da exponencial,
ou seja, por r . Logo, se X for uma varivel aleatria gama com parmetros e r ,

EX

2 Var X

Exemplo: O tempo para preparar uma transparncia sobre microarranjo para um estudo de
genes em alta produo um processo de Poisson, com mdia de duas horas por transparncia. (a)
Qual a probabilidade de 10 transparncias necessitarem de mais de 25 horas para serem preparadas?
(b) Quais so a mdia e o desvio padro do tempo para preparar 10 transparncias? (c) Em que tempo
as transparncias sero completadas com uma probabilidade de 0.95?
Soluo:
(a) Seja X o tempo para preparar 10 transparncias. Por causa da suposio de um processo de
Poisson, X tem uma distribuio gama, com 1 2 e r 10 e a probabilidade requerida

P X 25 . A probabilidade pode ser obtida atravs de um programa computacional que fornea as


probabilidades cumulativas de Poisson ou as probabilidades de gama. Para probabilidades cumulativas
de Poisson, tem-se
60

e12,5 12,5
k!
k 0
9

P X 25

No Minitab, estabelecemos a mdia=12,5 e a entrada =9 para obter P X 25 0,2014 .


Como uma verificao, usamos a funo de probabilidade cumulativa gama no Minitab. Estabelea o
parmetro de forma igual a 10 e o parmetro de escala igual a 2, visto que o Minitab usa o inverso de
nossa definio e a entrada igual a 25. A probabilidade calculada P X 25 0,7986 e, quando
ela for subtrada de um, encontraremos o resultado prvio, P X 25 0,2014 .
(b) O tempo mdio

E x

10
20
0,5

A varincia do tempo

Var X

de modo que o desvio padro

10
40
0,52

40 6,32 horas.

(c) A pergunta quer saber o valor de x , de tal modo que

P X x 0,95
em que X gama com 1 2 e r 10 . No Minitab usamos a funo de probabilidade acumulada
inversa gama e estabelecemos parmetro de forma igual a 10, o parmetro de escala igual a 2 e a
probabilidade igual a 0,95. A soluo calculada

P X 31,41 0,95

5.2.7 Distribuio de Weibull


A tecnologia moderna nos permite criar muitos sistemas complexos cuja operao, e talvez a
segurana, depende da confiabilidade de vrios componentes que os formam. Um fusvel pode
queimar, uma coluna de ao pode entortar ou um componente de deteco de calor pode falhar.
Componentes idnticos submetidos a condies ambientais idnticas falharo em momentos diferentes
e imprevisveis. Uma distribuio que tem sido usada para lidar com tais problemas a distribuio de
Weibull, introduzida pelo fsico sueco Waloddi Weibull, em 1939. Os parmetros dessa distribuio
fornecem uma grande flexibilidade para modelar sistemas em que o nmero de falhas aumenta com o
tempo (desgaste de rolamento), diminui com o tempo (alguns semicondutores) ou permanecem
constantes com o tempo (falhas causadas pelos choques externos ao sistema). Uma varivel aleatria
contnua X tem uma distribuio de Weibull, com parmetros e , se sua funo de densidade for
dada por
61


x 1e x , x 0
f x; ,
caso contrrio,

0,

onde 0 e 0 .
Os grficos da distribuio de Weibull para 1 e para vrios valores do parmetro

so

ilustrados na figura abaixo


Distribuio de Weibull
1,4

.
3,5
2
1

1,2

f(x)

1,0
0,8
0,6
0,4
0,2
0,0
0,0

0,5

1,0

1,5
X

2,0

2,5

3,0

Vemos que as curva mudam consideravelmente de forma para diferentes valores do parmetro . Se
considerarmos 1 , a distribuio Weibull se reduz a uma distribuio exponencial. Para valores de

1 , as curvas tomam a forma de sino, e lembram as curva normais, apesar de mostrarem certa
assimetria. A mdia e a varincia da distribuio de Weibull so:

1
.

Mdia:

1 1

Varincia:

2 2 1

2
1
1

Como a distribuio exponencial, a distribuio de Weibull tambm aplicada em problemas de


confiabilidade e testes de vida til, tais como tempo at a falha ou tempo de vida de um componente,
medida de um tempo especfico at a falha. Vamos representar esse tempo at a falha pela varivel
aleatria contnua T , com funo de densidade de probabilidade f t , onde f t uma distribuio
de Weibull. Essa distribuio tem a flexibilidade inerente de no requerer a propriedade da falta de
memria da distribuio exponencial. A funo de distribuio acumulada (fda) para a Weibull pode
ser escrita da forma fechada e certamente til para clculos de probabilidades e dada por:
F x 1 e x ,

para x 0, 0 e 0.

62

Exemplo: O tempo de vida X , em horas, de um item de uma oficina de usinagem tem


distribuio de Weibull com 0,01 e 2 . Qual a probabilidade de que esse item falhe antes de
8 horas de uso?
Soluo: P X 8 F 8 1 e 0,018 1 0,527 0,473.
2

Taxa de falha para a distribuio de Weibull


Quando a distribuio de Weibull se aplica, ela til para determinarmos a taxa de falha (algumas
vezes chamada de taxa de risco) e percebermos o desgaste ou deteriorao do componente. Primeiro,
vamos definir a confiabilidade de um componente ou produto como a probabilidade de que ele
funcionar apropriadamente por, pelo menos, um tempo determinado, sob condies experimentais
especficas. Ento, se R t definido como sendo a confiabilidade de certo componente em um
tempo t , podemos escrever

R t P T t f t dt 1 F t ,
t

onde F t a funo de distribuio acumulada de T . A probabilidade condicional de que o


componente falhe em um intervalo de tempo de T t a T t t , dado que ele sobreviveu at o
tempo t ,
F t t t
R t

Dividindo essa razo por t e tomando o limite t 0 , temos a taxa de falha, denotada por Z t .
Assim,
Z t

lim

t 0

F t t F t 1
t
R t

F t
R t

f t

R t

f t

1 F t

que expressa a taxa de falha em funo da distribuio do tempo at a falha. J que


Z t f t 1 F t , ento a taxa de falha dada como segue:

Z t t 1 ,

t 0.

Interpretao da taxa de falha


A quantidade Z t apropriadamente chamada de taxa de falha, j que quantifica a taxa de mudana,
ao longo do tempo, da probabilidade condicional de que o componente dure um tempo t adicional,
dado que o componente durou at o tempo t . A taxa de reduo (ou aumento) com o tempo
importante. Os pontos a seguir so cruciais:
(a) Se 1, a taxa de falha igual a , ou seja, constante. Isso, como indicado antes, o caso
especial da distribuio exponencial na qual a falta de memria prevalece.
63

(b) Se 1, Z t uma funo crescente de t , que indica que o componente se desgasta com o
tempo.
(c) Se 1, Z t uma funo decrescente do tempo e, ento, o componente se fortalece ou se
solidifica com o tempo.
Por exemplo, o item na oficina de usinagem do exemplo anterior tem 2 e, portanto, se desgasta
com o tempo. De fato, a funo de taxa de falha dada por Z t 0,02t. Por outro lado, suponha que
os parmetros sejam 3 4 e 2 . Neste caso, Z t 1,5 t 4 , e, ento, o componente se fortalece
com o tempo.
Exemplo: Suponha que o tempo de vida de uma certa espcie de bateria de backup de emergncia (em
horas) uma varivel aleatria X tendo uma distribuio de Weibull com 0,1 e 0,5.
Encontre:
(a) o tempo de vida mdio dessas baterias
(b) a probabilidade de que tais baterias durem mais do que 300 horas.
Soluo:
(a) Substituindo na frmula da mdia temos

0,1 3 200 horas


2

(b)

P X 300

0,05 x 0,5e0,1x dx e0,1300 0,177


0,5

0,5

300

64