SlidePEP915Aula2 PDF

Tipos de Variveis Aleatrias Varivel Aleatria Discreta Principais Distribuies Discretas Varivel Aleatria Contnua
Aula 2: Variveis Aleatrias Discretas e

Contnuas e suas Principais Distribuies.
Prof. Leandro Chaves Rgo

Programa de Ps-Graduao em Engenharia de Produo - UFPE
Recife, 14 de Maro de 2012

Tipos de Variveis Aleatrias
Na grande maioria dos problemas prticos, encontramos dois tipos de variveis

aleatrias: as discretas e as contnuas.
Definio 1.1
Uma varivel aleatria X discreta se assume um nmero enumervel

de valores, ou seja, se existe um conjunto enumervel {x1 , x2 , . . .} IR
tal que X (w ) {x1 , x2 , . . .}, w . A funo p(xi ) definida por
p(xi ) = PX ({xi }), i = 1, 2, . . . e p(x) = 0 para x
/ {x1 , x2 , . . .},
chamada de funo probabilidade de X .
Exemplos de Variveis Aleatrias Discretas so: nmero de

bits transmitidos com erro em um canal de comunicao,
nmero de lanamentos de uma moeda at a obteno da
primeira cara, nmero de consumidores que chegam em uma
determinada fila.
Tipos de Variveis Aleatrias
Definio 1.2
Uma varivel aleatria X contnua se existe uma funo fX (x) 0

tal que Z x
FX (x) = fX (t)dt, x IR .

Neste caso, X assume pode assumir uma quantidade no-enumervel

de valores e a funo fX chamada de funo densidade de
probabilidade de X .
Exemplos de Variveis Aleatrias Contnuas so: peso,

comprimento, voltagem, corrente, presso, temperatura,
tempo.
Varivel Aleatria Discreta
Vimos que se X uma varivel discreta, ento assume um nmero enumervel

de valores {x1 , x2 , . . .} e podemos descrever seu comportamento probabilstico
determinando sua funo probabilidade p de massa que determina a
probabilidade de cada um dos possveis valores que X pode assumir. Deste
modo, temos que para qualquer evento de interesse A, podemos calcular
P(X A) somando asPprobabilidades de todos os valores xi que esto em A,
ou seja, P(X A) = i :xi A p(xi ).
Em particular, temos que a funo de distribuio acumulada de uma varivel

aleatria discreta X , FX (x) = P(X x) = i :xi x p(xi ), sempre uma funo
P
degrau com saltos nos pontos de xi de altura p(xi ).

Exemplo
Exemplo 2.1
Assuma que X uma varivel aleatria discreta que assume os valores 2, 5,
e 7 com probabilidades 1/2, 1/3, e 1/6, ento sua funo de distribuio
acumulada :
0 se x < 2,

1/2 se 2 x < 5,

FX (x) =

5/6 se 5 x < 7,
1 se x 7.

Exemplo
Exemplo 2.2
A funo de distribuio acumulada de uma varivel aleatria X dada por
0 x < 0,

se
1/4 0 x < 1,

se

3/8 se 1 x < 3,

F (x) =

1/2 se 3 x < 6,
3/4 se 6 x < 10,

1 se x 10,

(a) Determine a funo probabilidade de massa de X .

(b) Determine P(1 X < 6|X < 9).
Esperana de uma Varivel Aleatria Discreta
Considere o clculo do resultado mdio de 1000 lanamentos de um dado. Uma

maneira de calcular este resultado mdio seria somar todos os resultados e
dividir por 1000. Uma maneira alternativa seria calcular a frao p(k) de todos
os lanamentos que tiveram resultado igual a k e calcular o resultado mdio
atravs da soma ponderada:
1p(1) + 2p(2) + 3p(3) + 4p(4) + 5p(5) + 6p(6).
Quando o nmero de lanamentos se torna grande as fraes de ocorrncia dos

resultados tendem a probabilidade de cada resultado.
Definio 2.3
Se X uma varivel aleatria discreta assumindo valores {x1 , x2 , x3 , . . .} com
probabilidade {p1 , p2 , p3 , . . .}, respectivamente, ento sua esperana dada
pela frmula X
EX = xi pi ,
i
desde que este somatrio esteja bem definido. Caso EX seja finita, diz-se
que X integrvel.
Exemplos
Exemplo 2.4
Considere uma varivel aleatria X tal que: P(X = 1) = 0,25,
P(X = 0) = 0,5 e P(X = 2) = 0,25. Ento,
EX = 1(0,25) + 0(0,5) + 2(0,25) = 0,25.
Observao 2.5
No confunda a esperana de uma varivel aleatria com o seu valor mais
provvel. Neste exemplo, EX = 0,25, porm o valor mais provvel 0. O
valor mais provvel de uma varivel aleatria conhecido como moda da
varivel. A esperana (valor esperado ou mdia) de uma varivel aleatria
X para ser interpretada como a mdia aritmtica do valor de X quando se
repete os experimento vrias vezes e calcula-se o valor de X para cada uma
das realizaes do experimento.
Varincia de uma Varivel Aleatria Discreta
Como vimos diferentes variveis aleatrias podem ter a mesma esperana. Por
exemplo, considere uma varivel X que descreve o resultado de um dado
honesto e uma varivel Y que igual a 3 se uma moeda honesta for jogada e
cair cara e igual a 4 se a moeda cair coroa. Temos
1 1 1 1 1 1
EX = (1 ) + (2 ) + (3 ) + (4 ) + (5 ) + (6 ) = 3,5, e
6 6 6 6 6 6
1 1
) + (4 ) = 3,5.
EY = (3
2 2
Portanto, no se consegue distinguir entre as variveis X e Y do ponto de vista
da esperana. Porm, a varivel aleatria Y mais concentrada ao redor da
esperana. Portanto, uma maneira de distinguir entre essas variveis utilizar
alguma medida de disperso ou variabilidade. Para isso define-se a varincia de
uma varivel aleatria.
Definio da Varincia de uma Varivel Aleatria

Discreta
Definio 2.6
A varincia de uma varivel aleatria discreta X uma mdia ponderada
das distncia entre os valores que X pode assumir e a esperana de X , onde
os pesos so as probabilidades de cada um desses valores que X assume.
Formalmente, se X assumir os valores {x1 , x2 , . . .} com probabilidade
{p1 , p2 , . . .}, respectivamente, ento sua esperana dada pela frmula
X
Var (X ) = (xi EX )2 pi .
i
Desvio-Padro de uma Varivel Aleatria
Note que se X for medido em uma dada unidade de medida (por exemplo, m),
ento a varincia de X ser medida em valores de quadrado desta unidade
(m2 ). Por isto, s vezes comum se utilizar o desvio-padro de uma varivel
aleatriapcomo medida de sua variabilidade. O desvio-padro (X ) de X
igual a Var (X ).
Exemplos
Exemplo 2.7
O nmero X de mensagens enviadas por hora, atravs de uma rede de
computadores, tem a seguinte distribuio: X assume os valores
{10, 12, 15, 20} com probabilidades {0,1; 0,3; 0,5; 0,1}, respectivamente.
Determine o desvio-padro e a esperana de X .
Aleatria ou Uniforme Discreta
Definio 3.1
Dizemos que X tem uma distribuio uniforme discreta com parmetro n,
onde n um nmero inteiro positivo, se X (w ) {x1 , x2 , . . . , xn } e p(xi ) = n1 ,
para i {1, . . . , n}.
A funo de probabilidade uniforme discreta pode ser utilizada sempre que os

possveis valores da varivel aleatria forem equiprovveis, como o caso de
modelar mecanismos de jogos (por exemplo, dados e moedas balanceados,
cartas bem embaralhadas). Utilizando a propriedade de aditividade da
probabilidade, fcil ver que para qualquer evento A {x1 , x2 , . . . , xn }, temos
que P(X A) = ||A||n
.
fcil ver que se X tem uma distribuio uniforme discreta, ento:

n n
1X 1X
EX = xi , e VarX = (xi EX )2 .
n i =1 n i =1
Bernoulli
Definio 3.2
Dizemos que X tem uma distribuio Bernoulli com parmetro p, onde
0 p 1, se X (w ) {x0 , x1 } e p(x1 ) = p = 1 p(x0 ).
A funo de probabilidade Bernoulli pode ser utilizada para modelar a

probabilidade de sucesso em uma nica realizao de um experimento. Neste
caso, tem-se x0 = 0 (fracasso) e x1 = 1 (sucesso) e p conhecida como
probabilidade de sucesso do experimento. Em geral, qualquer varivel aleatria
dicotmica, ou seja que assume somente dois valores, pode ser modelada por
uma distribuio Bernoulli. Denomina-se de ensaio de Bernoulli, qualquer
experimento que tem uma resposta dicotmica. Um exemplo clssico de um
ensaio Bernoulli o lanamento de uma moeda no necessariamente
balanceada.
fcil ver que se X tem uma distribuio Bernoulli assumindo valores 0 e 1

com probabilidades 1 p e p, respectivamente, ento:
EX = p, e VarX = p(1 p).

Binomial
Definio 3.3
Dizemos que X tem uma distribuio Binomial com parmetros n e p, onde
n um nmero inteiro e 0 p 1, se X (w ) {0, 1, . . . , n} e
p(k) = kn p k (1 p)nk , para k {0, 1, . . . , n}.

Uma distribuio binomial pode ser obtida quando se considera n repeties

independentes de ensaios Bernoulli, e estamos interessados no total de vezes
que nesses ensaios obtivemos valor x1 para a varivel. A funo de
probabilidade binomial pode ser utilizada para modelar a quantidade de erros
em um texto de n smbolos quando os erros entre smbolos so assumidos
independentes e a probabilidade de erro em um smbolo do texto igual a p.
Tambm pode ser utilizada para modelar o nmero de caras em n lanamentos
de uma moeda que possui probabilidade p de cair cara em cada lanamento.
Se p = 1/2, temos um modelo para o nmero de caras em n lanamentos de
uma moeda justa. A figura a seguir nos mostra a funo probabilidade de
massa da Binomial(8; 0,2).
Binomial (cont.)
Binomial (cont.)
Se Y1 , Y2 , . . . , Yn so variveis aleatrias Bernoulli(p) independentes que

assumem os valores 0 ou 1, ento X = Y1 + Y2 + . . . Yn tem uma distribuio
Binomial(n, p).
Deste modo, fcil ver que:

EX = np, e
VarX = np(1 p).
Pode-se provar que o valor mais provvel de uma varivel aleatria binomial
igual ao maior inteiro menor que (n + 1)p. No exemplo da figura anterior,
observe que o valor mais provvel para k = 1, pois (n + 1)p = 1,8.
Exemplos
Exemplo 3.4
Uma moeda com probabilidade 0,4 de cair cara jogada 5 vezes, qual a
probabilidade de se obter exatamente 2 coroas?
Soluo: Seja X o nmero de caras obtidos. Como jogamos a moeda 5
vezes, o evento obter exatamente 2 coroas igual ao evento obter
exatamente 3 caras. Portanto, P(X = 3) = 53 (0, 4)3 (0, 6)2 .

Exemplo 3.5
A taxa de sucesso de um bit em uma transmisso digital 90%. Se 20 bits
forem transmitidos, qual a probabilidade de que exatamente 15 deles tenha
sido transmitidos com sucesso? Qual a probabilidade de que no mximo 18
deles tenham sido transmitidos com sucesso?
Exemplos
Exemplo 3.6
Suponha que para uma dada moeda viciada a probabilidade de que ocorram
3 caras seja igual a probabilidade que ocorram 4 caras se esta moeda for
jogada 8 vezes de forma independente. Determine a probabilidade de
ocorrerem 3 caras em 8 lanamentos independentes desta moeda.
Geomtrica
Definio 3.7
Dizemos que X tem uma distribuio Geomtrica com parmetro , onde
0 < 1, se X (w ) {1, 2, 3, . . .} e p(k) = (1 ) k1 , para
k {1, 2, 3, . . .}.
A funo de probabilidade Geomtrica pode ser utilizada para modelar o

nmero de repeties do lanamento de uma moeda at a primeira ocorrncia
de cara, o instante de tempo, medido em unidades de tempo inteira, at a
chegada do prximo consumidor em uma fila, ou at a prxima falha em um
equipamento.
Se X for uma varivel aleatria com distribuio de probabilidade Geomtrica

com parmetro , pode-se provar que:
1
EX = ,e
1

VarX = .
(1 )2
Exemplo
Exemplo 3.8
Suponha que joga-se uma moeda com probabilidade de cara igual a
0 < p < 1 independentemente at que uma coroa ocorra. Seja X o nmero
de repeties necessrias at que coroa aparea nesta sequncia, de modo
que se o primeiro lanamento for coroa temos que X = 1. Qual a
probabilidade do evento X = k para k {1, 2, 3, . . .}? Note que para que
X = k necessrio que os primeiros k 1 lanamentos sejam caras e o
k-simo lanamento seja coroa, logo pela independncia dos lanamentos,
temos que P(X = k) = p k1 (1 p). Ou seja X uma varivel geomtrica
com parmetro p.
Propriedade
Observao 3.9
Pode se provar que se X tem uma distribuio geomtrica com parmetro ,
ento para quaisquer dois inteiros positivos s e t,
P(X > s + t|X > s) = P(X > t),
ou seja, se soubermos que X maior que s ento a probabilidade que X seja

maior que s + t igual a probabilidade incondicional de X ser maior que t.
Esta propriedade conhecida como falta de memria. Por isso, a
distribuio geomtrica til para modelar tempos de vida til de
equipamentos que no sofrem efeitos de envelhecimento ou degradao com
o tempo.
Hipergeomtrica
A distribuio hipergeomtrica descreve o nmero de sucessos em uma

sequncia de n amostras de uma populao finita sem reposio.
Por exemplo, considere que tem-se uma carga com N objetos dos quais D tm
defeito. A distribuio hipergeomtrica descreve a probabilidade de que em
uma amostra de n objetos distintos escolhidos da carga aleatoriamente
exatamente k objetos sejam defeituosos.
Em geral, se uma varivel aleatria X segue uma distribuio hipergeomtrica

com parmetros N, D, e n, ento a probabilidade de termos exatamente k
sucessos dada por
D ND

k nk
p(k) = N
.
n
Esta frmula pode ser entendida assim: existem Nn possveis amostras sem

reposio. Existem Dk maneiras de escolher k objetos defeituosos e existem

ND
maneiras de preencher o resto da amostra com objetos sem defeito.

nk
Hipergeomtrica
Quando a populao grande quando comparada ao tamanho da amostra (ou

seja, N for muito maior que n) a distribuio hipergeomtrica aproximada
razoavelmente bem por uma distribuio binomial com parmetros n (tamanho
da amostra) e p = D/N (probabilidade de sucesso em um nico ensaio).
Se X for uma varivel aleatria com distribuio de probabilidade
Hipergeomtrica com parmetro N, D, n, pode-se provar que:
nD
1 EX = N
.
nD (ND)(Nn)
2 VarX = N N(N1)
.
Exemplo
Exemplo 3.10
Suponha que uma urna contm 20 bolas brancas e 10 bolas pretas. Se 4
bolas so retiradas da urna. Determine:
(a) A probabilidade de pelo menos uma bola ser branca, se as bolas so
retiradas com reposio.
(b) A probabilidade de pelo menos uma bola ser branca, se as bolas so
retiradas sem reposio.
Poisson
Definio 3.11
Dizemos que X tem uma distribuio Poisson com parmetro , onde 0,
k
se X (w ) {0, 1, . . .} e p(k) = e k! , para k {0, 1, . . .}.
A funo de probabilidade Poisson utilizada para modelar a contagem do

nmero de ocorrncias de eventos aleatrios em um certo tempo T : nmero de
ftons emitidos por uma fonte de luz de intensidade I ftons/seg em T
segundos ( = IT ), nmero de clientes chegando em uma fila no tempo T
( = CT ), nmero de ocorrncias de eventos raros no tempo T ( = CT ).
Poisson
A figura a seguir nos mostra a funo probabilidade de massa da Poisson para
3 valores de parmetros 1, 4, e 10.
Se X for uma varivel aleatria com distribuio de probabilidade Poisson com

parmetros , pode-se provar que:
1 EX = VarX = e Moda(X ) o maior inteiro menor ou igual a .
Exemplo
Exemplo 3.12
Se a probabilidade de 0 ftons serem emitidos no tempo T igual a 0,1,
ento qual a probabilidade de pelo menos 2 ftons serem emitidos no tempo
T?
Exemplo 3.13
Suponha que o nmero de clientes que chegam em um banco segue uma
distribuio de Poisson. Se a probabilidade de chegarem 3 clientes for o
triplo da de chegarem 4 clientes em um dado perodo de 10 minutos.
Determine:
(a) Qual o nmero esperado de clientes que chegam em um perodo de 1
hora neste banco?
(b) Qual o nmero mais provvel de clientes que chegam em um perodo
de 1 hora neste banco?
Varivel Aleatria Contnua
Em muitos fenmenos que analisamos na prtica, as variveis aleatrias

envolvidas tm natureza contnua podendo assumir uma quantidade no
enumervel de valores. Vimos na seo anterior que se uma varivel
Rx aleatria
contnua, ento existe uma funo fX (x) 0 tal que FX (x) = fX (t)dt.
Uma
R funo f (x) 0 densidade de alguma varivel aleatria se e somente se,
R
f (x)dx = 1, j que neste caso pode-se provar que a funo F definida
x
por f (t)dt uma funo de distribuio acumulada. Logo, a distribuio
de uma varivel aleatria contnua X pode ser determinada tanto pela funo
de distribuio acumulada FX ou pela sua funo de densidade fX .
Como vimos P(X = a) = FX (a) FX (a ). No caso, de uma varivel aleatria
contnua, temos que
Z a Z a

FX (a) FX (a ) = fX (t)dt fX (t)dt = 0.

Portanto, para qualquer varivel contnua X , sua funo de distribuio

acumulada contnua, o que implica que a probabilidade de ela assumir
qualquer nmero real a igual a 0.
Varivel Aleatria Contnua
Para melhor compreender este tipo de varivel aleatria considere a

probabilidade de escolher um nmero real entre 0 e 1 considerando que todos
os valores tm a mesma chance de serem escolhidos. Como existem, uma
quantidade infinita no-enumervel de nmeros entre

0 e 1, a probabilidade de
se escolher um nmero especfico, por exemplo, 22 , igual a 0. Neste caso, s
faz sentido falar na probabilidade do nmero escolhido estar em determinado
subintervalo. Em geral, se a e b so nmeros reais tais que a < b, tem-se no
caso de varivel aleatria contnua X que
Z b
P(a < X b) = P(a X < b) = P(a X b) = P(a < X < b) = f (t)dt.
a
Analogia: A massa de qualquer ponto no espao igual a zero, pois um ponto

admensional. Para descrevermos a distribuio de massa de um certo objeto
define-se sua densidade de massa. Para obtermos a massa de uma dada regio
do objeto integra-se a densidade de massa na regio de interesse. A mesma
idia se aplica a densidade de probabilidade: uma funo que ao integrarmos
obtemos uma probabilidade de uma dada regio da reta real.
Observao
Note que como para calcular probabilidades, utilizando uma funo densidade
de probabilidade f , estamos apenas interessados na integral de f , ou seja, na
rea compreendida entre a funo f e o eixo dos x no plano cartesiano, se
alterarmos a definio de uma densidade f em alguns pontos isolados, no
estaremos alterando esta rea e portanto do ponto de vista do clculo de
probabilidades, alterar a funo densidade de probabilidade em pontos
isolados no influi em nada.
Exemplo
Exemplo 4.1
Suponha que um ponteiro de relgio se move de modo contnuo. Ao
olharmos para o relgio em um instante aleatrio seja X o valor do ngulo
em graus que o ponteiro forma com a reta que passa pelo pontos que
indicam 3 e 9 horas.
(a) Determine a funo densidade de probabilidade de X .
(b) Determine P(90 < X < 180|X < 270).
Exemplo
Exemplo 4.2
A funo densidade de probabilidade de uma varivel aleatria X dada por
0 se x < 0 e x 1,

f (x) =
cx 4 se 0 x < 1.
(a) Determine a constante c.

(b) Determine P(1/2 < X < 2/3).
Esperana de uma Varivel Aleatria Contnua
Como vimos no caso discreto a Esperana de uma varivel aleatria anlogo

ao centro de gravidade de uma certa distribuio de massa. Isto motiva a
seguinte definio de esperana.
Definio 4.3
Se X uma varivel aleatria contnua com funo densidade de
probabilidade f , ento sua esperana dada pela frmula
Z
EX = xf (x)dx,

desde que a integral esteja bem definida. Caso EX seja finita, diz-se que X
integrvel.
Exemplo
Exemplo 4.4
0 se x < 0 e x 1,

f (x) =
5x 4 se 0 x < 1.
(a) Determine EX .
Observao 4.5
Este exemplo ilustra que a esperana de X no o valor que maximiza a
funo densidade de probabilidade, este valor conhecido como moda da
distribuio de X .
Varincia de uma Varivel Aleatria Contnua
Definio 4.6
A varincia de uma varivel aleatria contnua X com funo densidade de
probabilidade f dada pela frmula
Z
Var (X ) = (x EX )2 f (x)dx.

Exemplo
Exemplo 4.7
0 se x < 0 e x 1,

f (x) =
5x 4 se 0 x < 1.
(a) Determine VarX .

Uniforme
Definio 5.1
Dizemos que X tem uma distribuio uniforme com parmetros a e b, onde a
e b so nmeros reais e a < b, se a funo densidade de X igual a
1
ba
, se a x b,
fX (x) =
0 , caso contrrio.
Este modelo deve ser usado quando se acredita que a probabilidade de um

subintervalo de [a, b] proporcional ao seu comprimento. Esta distribuio
tambm frequentemente utilizada para, modelar a fase de osciladores e fase
de sinais recebidos em comunicaes incoerentes. Ela tambm serve para
modelar a escolha de um nmero aleatrio entre a e b.
Uniforme (cont.)
Neste caso, a funo de distribuio acumulada dada por:
0 , se x < a,

Z x
1 x a
FX (x) = dt = , se a x < b,
a ba ba
1 , se x b.
fcil ver que se X tem uma distribuio uniforme no intervalo [a, b], ento:
a+b
EX = ,e
2
(b a)2
VarX = .
12
Exemplo
Exemplo 5.2
Sabe-se que igualmente provvel que um dado cliente possa requisitar um
servio no tempo disponvel de servio [t0 , t1 ]. Se o tempo necessrio para
executar este servio igual a < t1 t0 , qual a probabilidade que o
servio ser executado antes do trmino do intervalo de tempo disponvel de
servio?
Soluo: Para que o servio seja executado em tempo hbil, necessrio
que o cliente o requisiteR antes do tempo t1 . Logo,
t1
1
P(X t1 ) = t1 t0 t0
dt = t1t t0
1 t0
.
Exponencial
Definio 5.3
Dizemos que X tem uma distribuio Exponencial com parmetro , onde
> 0 um nmero real, se a funo densidade de X igual a
e x , se x 0,

fX (x) =
0 , caso contrrio.
A densidade exponencial pode ser utilizada para modelar os seguintes

fenmenos: tempo de vida de componentes que falham sem efeito de idade;
tempo de espera entre sucessivas chegadas de ftons, emisses de eltrons de
um ctodo, ou chegadas de consumidores; e durao de chamadas telefnicas.
Exponencial (cont.)
Exponencial (cont.)
Neste caso, a funo de distribuio acumulada dada por:

Z x
0 , se x < 0,

FX (x) = f (t)dt =
0 1 e x , se x 0.
Pode-se provar que

1
EX = ,e

1
VarX = 2 .

Propriedade
Observao 5.4
A distribuio exponencial tambm possui a propriedade de falta de
memria, ou seja, para quaisquer s 0 e t 0, temos
P(X > s + t|X > s) = P(X > t).

Exemplo
Exemplo 5.5
Observa-se que um tipo particular de chip igualmente provvel durar
menos que 5.000 horas ou mais que 5.000 horas. Determine:
(a) Determine o tempo de durao mdio de um chip deste tipo.
(b) Qual a probabilidade que o chip durar menos de 1.000 horas ou mais
de 10.000 horas?
Soluo: Seja X o tempo de durao de um chip deste tipo. Tempos que X
tem uma distribuio exponencial, devemos agora determinar seu
parmetro. Sabe-se que P(X < 5000) = P(X > 5000), e como
P(X < 5000) + P(X > 5000) = 1, temos que P(X < 5000) = 0,5. Portanto,
1 e (5000) = 0,5, ou seja, = 5000
log 2
. Ento, o tempo de durao mdio
5000
deste tipo de chip log 2 horas.
Para calcular a probabilidade desejada temos que
P([X < 1000] [X > 10000]) = P(X < 1000) + P(X > 10000)
log 2 1
= 1 e 5 + e 2 log 2 = 1 (2) 5 + (2)2 = 0,3794.
Normal ou Gaussiana
Definio 5.6
Dizemos que X tem uma distribuio Normal (ou Gaussiana) com
parmetros e , onde e > 0 so nmeros reais, se a funo densidade
de X igual a
1 (x)2
fX (x) = e 22 .
2
Historicamente, esta distribuio foi chamada de normal porque ela era

amplamente aplicada em fenmenos biolgicos e sociais que era sempre tida
como a distribuio antecipada ou normal. Aplicaes da distribuio normal
incluem variabilidade em parmetros de componentes manufaturados e de
organismos biolgicos (por exemplo, altura, peso, inteligncia). (Pode parecer
estranho, modelar quantidades que s assumem valores positivos por uma
distribuio normal onde valores negativos aparecem. Nestes casos o que
ocorre que os parmetros e 2 devem ser escolhidos de modo que a
probabilidade da varivel assumir um valor negativo seja aproximadamente nula
de modo que a representao seja vlida.)
Normal (cont.)
Observe que a densidade simtrica em torno do parmetro , e quanto menor

o parmetro mais concentrada a densidade em torno deste parmetro .
Pode-se provar que os pontos e + so os pontos de inflexo do
grfico de fX .
Normal (cont.)
Pode-se provar que e 2 so iguais a esperana e a varincia da distribuio

normal, respectivamente. Se = 0 e 2 = 1 chamamos esta densidade de
normal padro ou normal reduzida.
Teorema 5.7
Se X N(, 2 ) e se Y = aX + b, onde a > 0 e b IR , ento Y ter
distribuio N(a + b, a2 2 ).
Prova: Note que

y b y b
FY (y ) = P(Y y ) = P(aX + b y ) = P(X ) = FX ( ).
a a
Derivando a expresso acima em relao a y , temos
y b
)2 (y (b+a))2
1 y b 1 (
a 1
fY (y ) = fX ( )= e 22 = e 2a2 2 ,
a a 2a 2a
ou seja, Y N(a + b, a2 2 ).
Normal (cont.)
Corolrio 5.8
X
Se X N(, 2 ), ento Y =
tem distribuio normal padro.
2
Pode-se provar que se Xi N( Pi ,ni ) so independentes, e ai IR , para
i = 1, 2, 3, . . ., ento
P Y = c + i =1 ai Xi tambm Ptem distribuio normal com
mdia EY = c + ni=1 ai i e varincia VarY = ni=1 (ai i )2 .
Tabulao da Distribuio Normal
Se X N(0, 1), ento

b
1 x 2
Z
P(a < X b) = e 2 dx.
a 2
Esta integral no pode ser resolvida analiticamente, contudo mtodos de
integrao numrica podem ser empregados para calcular integrais da forma
acima e de fato valores de P(X s) existem em vrias tabelas. A funo de
distribuio acumulada de uma normal padro usualmente denotada por .
Rs x 2
Portanto, temos que (s) = 12 e 2 dx. Ento, consultando valores de
em uma tabela, podemos determinar que P(a < X b) = (b) (a).
Utilizando o resultado do Corolrio 5.8 e valores de , podemos obter para
qualquer X N(, 2 ), o valor de P(a < X b):
a X b
P(a < X b) = P( < )

b a
( ) ( )

Observao
Observao 5.9
Da simetria em torno de zero da normal padro, temos que
(s) = P(X s) = P(X s) = 1 (s) para qualquer valor de s. Esta
relao pode ser til, pois frequentemente tabelas da distribuio normal s
possuem os valores positivos de s.
Exemplo
Exemplo 5.10
Suponha que X tenha uma distribuio N(2; 0,16). Empregando a tbua de
distribuio normal, calcule as seguintes probabilidades:
(a) P(X 2,3).
(b) P(1,8 X 2,1).
Soluo: Parte (a),
2,3 2
P(X 2,3) = 1 P( 2,3) = 1 ( )
0,4
= 1 (0,75) = 1 0,7734 = 0,2266.
Parte (b),
2,1 2 1,8 2
P(1,8 X 2,1) = ( ) ( )
0,4 0,4
= (0,25) (0,5) = 0,5987 0,3085 = 0,2902.
Exemplo
Exemplo 5.11
Uma clnica de emagrecimento recebe pacientes com peso seguindo uma
distribuio normal com mdia 100Kg e desvio-padro 20Kg. Os 25% de
pacientes com menor peso so classificados como magros enquanto os 25%
de maior peso so classificados como obesos. Determine os valores que
delimitam cada uma dessa classificaes.

SlidePEP915Aula2 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

SlidePEP915Aula2 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Tipos de Variveis Aleatrias Varivel Aleatria Discreta Principais Distribuies Discretas Varivel Aleatria Contnua

Aula 2: Variveis Aleatrias Discretas e

Prof. Leandro Chaves Rgo

Recife, 14 de Maro de 2012

Tipos de Variveis Aleatrias

Na grande maioria dos problemas prticos, encontramos dois tipos de variveis

Uma varivel aleatria X discreta se assume um nmero enumervel

Exemplos de Variveis Aleatrias Discretas so: nmero de

Tipos de Variveis Aleatrias

Uma varivel aleatria X contnua se existe uma funo fX (x) 0

Neste caso, X assume pode assumir uma quantidade no-enumervel

Exemplos de Variveis Aleatrias Contnuas so: peso,

Varivel Aleatria Discreta

Vimos que se X uma varivel discreta, ento assume um nmero enumervel

Em particular, temos que a funo de distribuio acumulada de uma varivel

degrau com saltos nos pontos de xi de altura p(xi ).

(a) Determine a funo probabilidade de massa de X .

Esperana de uma Varivel Aleatria Discreta

Considere o clculo do resultado mdio de 1000 lanamentos de um dado. Uma

1p(1) + 2p(2) + 3p(3) + 4p(4) + 5p(5) + 6p(6).

Quando o nmero de lanamentos se torna grande as fraes de ocorrncia dos

EX = 1(0,25) + 0(0,5) + 2(0,25) = 0,25.

Varincia de uma Varivel Aleatria Discreta

Definio da Varincia de uma Varivel Aleatria

Desvio-Padro de uma Varivel Aleatria

Aleatria ou Uniforme Discreta

A funo de probabilidade uniforme discreta pode ser utilizada sempre que os

fcil ver que se X tem uma distribuio uniforme discreta, ento:

A funo de probabilidade Bernoulli pode ser utilizada para modelar a

fcil ver que se X tem uma distribuio Bernoulli assumindo valores 0 e 1

EX = p, e VarX = p(1 p).

Uma distribuio binomial pode ser obtida quando se considera n repeties

Se Y1 , Y2 , . . . , Yn so variveis aleatrias Bernoulli(p) independentes que

Deste modo, fcil ver que:

A funo de probabilidade Geomtrica pode ser utilizada para modelar o

Se X for uma varivel aleatria com distribuio de probabilidade Geomtrica

P(X > s + t|X > s) = P(X > t),

ou seja, se soubermos que X maior que s ento a probabilidade que X seja

A distribuio hipergeomtrica descreve o nmero de sucessos em uma

Em geral, se uma varivel aleatria X segue uma distribuio hipergeomtrica

reposio. Existem Dk maneiras de escolher k objetos defeituosos e existem

Quando a populao grande quando comparada ao tamanho da amostra (ou

A funo de probabilidade Poisson utilizada para modelar a contagem do

Se X for uma varivel aleatria com distribuio de probabilidade Poisson com

Varivel Aleatria Contnua

Em muitos fenmenos que analisamos na prtica, as variveis aleatrias

Portanto, para qualquer varivel contnua X , sua funo de distribuio

Varivel Aleatria Contnua

Para melhor compreender este tipo de varivel aleatria considere a

Analogia: A massa de qualquer ponto no espao igual a zero, pois um ponto

(a) Determine a constante c.

Esperana de uma Varivel Aleatria Contnua

Como vimos no caso discreto a Esperana de uma varivel aleatria anlogo

Varincia de uma Varivel Aleatria Contnua

(a) Determine VarX .

Este modelo deve ser usado quando se acredita que a probabilidade de um

Neste caso, a funo de distribuio acumulada dada por:

A densidade exponencial pode ser utilizada para modelar os seguintes

Neste caso, a funo de distribuio acumulada dada por:

Pode-se provar que

P(X > s + t|X > s) = P(X > t).

Historicamente, esta distribuio foi chamada de normal porque ela era

Observe que a densidade simtrica em torno do parmetro , e quanto menor