79

Capítulo 4

4. Variáveis Aleatórias e Distribuições de

Probabilidade

4.1. Conceitos Básicos

Em experimentos aleatórios há o interesse em associar aos resultados possíveis valores
numéricos. Em alguns casos os resultados possíveis já são descritos numericamente.
Entretanto, em muitas outras situações, os resultados do experimento não estão expressos
numericamente.
Uma variável aleatória (v.a.) ( ) associa um valor numérico ( ) a cada resultado
elementar de um experimento aleatório, ver Figura 4.1.

Figura 4.1 - Representação esquemática de uma variável aleatória X.

Exemplo 4.1 - Considere o lançamento de uma moeda honesta duas vezes. Um espaço
amostral associado a este experimento é dado por: Ω = { ̅ ̅, ̅ , ̅, }, onde = cara , ̅=
coroa.
Seja X = no de caras obtidas nos dois lançamentos. Então,
( ̅ )̅ = 0 , ( )̅ = ( ̅ ) = 1 e ( ) = 2.
Devemos observar que X é uma variável aleatória (v.a.) que assume os valores: 0, 1, 2.
Resumidamente, = 0, 1, 2.
Observar que,

({ = 0}) = ( = 0) = ( ̅ )̅ = 1 − 1− = 1/4.
 80

1 1
( = 1) = ( )̅ + ( ̅ ) = 1/2 1 − + 1 − × 1/2 = 1/2
2 2
1
( = 2) = ( ) = (1/2) = 1/4.
2

DEFINIÇÃO 4.1: Uma variável aleatória é uma função X que associa a cada elemento ∈Ω
um número real ( ) .

Apresentamos a seguir alguns exemplos de variáveis aleatórias.

Exemplo 4.2 - Algumas v. a.’s discretas e contínuas:

X1 = Número de peças defeituosas entre n peças fabricadas de uma linha de produção.
X2 = Número de veículos que passam por um cruzamento de uma rodovia entre 16 e
18 horas.
X3 = Tempo de vida em horas de um componente eletrônico.
X4 = Nível de água em uma represa num dado instante.
X5 = Consumo diário de energia elétrica numa cidade.

DEFINIÇÃO 4.2: Uma variável aleatória X é discreta se o número de valores possíveis de X é

finito ou infinito enumerável.

DEFINIÇÃO 4.3: Uma variável aleatória X é contínua se X tem como valores possíveis
qualquer ponto num intervalo da reta real.

Note que as variáveis aleatórias X1 e X2 do Exemplo 4.2 são discretas, assumindo os valores:
x1 , x2 , xn , ... . Então, ao escrevermos
X1 = 0, 1, 2, ... , n
e

tem como conjunto de valores possíveis {0, 1, 2, . . . , } e

X2 = 0, 1, 2, ...., n, ... ,
significa que X1 e X2
{0, 1, 2, . . . , , . . . }. Enquanto as variáveis aleatórias X3 , X4 e X5 do Exemplo 4.2 são
contínuas assumindo valores em ℝ .
 81

4.2. Função de Probabilidade

DEFINIÇÃO 4.4: A função de probabilidade de uma v.a. discreta X assumindo os valores x1 ,
x2 , ... , é uma função p(xi) = P(X = xi), que satisfaz:

(i) p( xi ) ≥ 0 , para todo xi , (4.1)

∞
(ii) ∑ p( x ) = 1 .
i =1
i (4.2)

A função de probabilidade (fp) de uma v.a. discreta X assumindo um conjunto finito

de valores x1 , x2 , ..., xk pode ser representada por uma tabela, como mostra a Tabela 4.1.

TABELA 4.1 - Função de Probabilidade da v.a. X.

X=x p(x)
x1 p(x1)
x2 p(x2)
M M
xk p(xk)

∑ 1

O conjunto de pares (!" , #( !" )) é também denominado distribuição de probabilidade

da v.a. discreta X . Uma v.a. discreta pode ainda ser representada graficamente por um
gráfico em colunas, ver Figura 4.2.

Exemplo 4.3 - A Figura 4.2 apresenta a distribuição de probabilidade de uma v.a. X

representando o número de caras em 3 lançamentos de uma moeda honesta.

p(x)
0,40
0,35
0,30

0,25
0,20

0,15

0,10

0,05
0,00
x
0 1 2 3
 82

Figura 4.2 - Distribuição de probabilidade da v.a X do Exemplo 4.3.

Definição 4.5 - Um processo de provas ou de ensaios de Bernoulli é uma sequência de

repetições independentes de um experimento aleatório tais que
(i) Em cada repetição há dois resultados possíveis, que podemos chamar de $ = {%& '%%(} e
$̅ = {)*+ +%%(}.
(ii) As probabilidades # = ($) e , = 1 − # = ($̅) em cada repetição são constantes.

Seja uma v.a com valores possíveis, 0, 1 para todo - = 1, … , . Seguindo a

Definição 4.5, podemos associar ( = 1) = ($) = #, e ( = 0) = 1 − ($) = 1 − #.
Neste caso, a v.a tem distribuição de Bernoulli com função de probabilidade

( = !) = # / (1 − #) 0/
, ! = 0, 1. (4.221)
Note que,

1−#
X=x p(x)

#
0
1

∑ 1
e
( = 0) = #1 (1 − #) 01
= 1 − #.
NOTAÇÃO: = variável aleatória; ! = valor particular assumido por .

Em geral é atribuído ao {%& '%%(} o valor 1 e ao {)*+ +%%(} o valor 0. Um exemplo

clássico da v.a. de Bernoulli é o experimento de lançar uma moeda uma ou mais vezes e
registrar a face voltada para cima. Podemos definir sucesso como a ocorrência de qualquer
uma das faces em cada lançamento, suponha cara. Então,

1, %' ( (**'* +*+ ; 4

=2
0, %' ( (**'* (*(+ .

Um caso particular do Exemplo 4.3 é a v.a. de Bernoulli. A Figura 4.2b mostra o gráfico da
distribuição de probabilidade de uma v.a. Bernoulli com parâmetro # = 0.6.
 83

Figura 4.2b - Distribuição de probabilidade de uma Bernoulli com parâmetro #.

Usamos a notação X ~ Bernoulli(p) para indicar que a v.a. tem distribuição de Bernoulli
com parâmetro p.

4.3. Função Densidade de Probabilidade

DEFINIÇÃO 4.5: A função densidade de probabilidade (fdp) de uma variável aleatória

contínua X é uma função ) que satisfaz as seguintes condições:
(a) f ( x) ≥ 0 ;
+∞
(b) ∫−∞ f ( x)dx = 1 . (4.3)

A probabilidade de uma variável aleatória X contínua pertencer a um intervalo (a , b], é dada

por

b
P(a < X ≤ b) = ∫ f ( x)dx = F (b) − F (a ) . (4.4)
a

Graficamente:

Figura 4.4 – P (a < X ≤ b) .

Note que, na Figura 4.4,

 84

P ( a < X ≤ b ) = P ( X ≤ b ) − P ( X < a ) = F (b ) − F ( a ) .
Além disso,
b
P ( a ≤ X < b) = P ( a < X ≤ b) = P ( a < X < b) = P ( a ≤ X ≤ b) = ∫ f ( x ) dx . (4.5)
a

Exemplo 4.5 - Suponha que a v.a. X seja contínua, e sua fdp f seja dada por:
2 x , 0 < x < 1
f ( x) = 
0 , para quaisquer outros valores.
Note que,
+∞ 1
∫−∞ f ( x)dx = ∫0 2 x dx = 1

Exemplo 4.5 - Suponha que a v.a. X seja contínua, e sua fdp f seja dada por
2 x , 0 < x < 1
f ( x) = 
0 , para quaisquer outros valores.

Note que,
+∞ 1
∫−∞ f ( x)dx = ∫ 2 x dx = 1
0
e

1/ 2 1/ 2
P(1 / 3 ≤ X < 1 / 2) = ∫1 / 3 2 x dx = x 2 = 5 / 36 .
1/ 3

Podemos ter interesse em calcular a probabilidade condicionada

1/ 2
P[( X ≤ 1 / 2) | (1 / 3 ≤ X ≤ 3 / 4)] =
P (1 / 3 ≤ X ≤ 1 / 2)
=
∫1/ 3 2 xdx = 4 / 13 .
P (1 / 3 ≤ X ≤ 3 / 4) 3/ 4
∫
1/ 3
2 xdx

Algumas formas possíveis de uma função densidade de probabilidade estão apresentadas na

Figura 4.5.
 85

Figura 4.5 - Algumas formas de uma função densidade de probabilidade de uma v. a. contínua.

4.4. Função de Distribuição Acumulada (F)

Um modo alternativo de descrever uma distribuição de probabilidade de uma v.a. X é
especificar uma função F chamada função de distribuição acumulada (Fda) , ou simplesmente
função de distribuição ou função acumulada do seguinte modo

F ( x) = P( X ≤ x) . (4.6)

DEFINIÇÃO 4.6: (a) Se X for uma v.a. discreta, então

F ( x) = ∑ p ( x j ) , xj ≤ x (4.7)
j

(b) Se X for uma v.a. contínua com fdp f(x), então

x
P ( X ≤ x ) = F ( x) = ∫ f (t ) dt . (4.8)
−∞

Exemplo 4.7 - Seja X uma v.a. discreta com função de probabilidade dada pela Tabela 4.3.
 86

TABELA 4.3: p(x) = P(x = x).

X=x 0 1 2 ∑
p(x) 1/3 1/6 1/2 1

Note que a fp da v.a da Tabela 4.3 pode ser representada graficamente pela seguinte
Figura:

Figura 4.7a - Função de probabilidade da v.a X da Tabela 4.3 acumulada de X.

Temos que a Fda da v.a. , de acordo com a equação (4.7) é dada por
F ( x) = ∑ p ( x j ) , xj ≤ x . Então,
j

F(x) = 0 , se x < 0
= 1/3 , se 0 ≤ x < 1
= 1/2 , se 1 ≤ x < 2
, se x ≥ 2 .
Obsevando-se a Figura 4.7a podemos calcular ( ≤ 1.5) do seguinte modo:
=1

( ≤ 1.5) = P(X < 0) + (0 ≤ < 1) + (1 ≤ < 1.5) =

( ≤ 1.5) = 0 + (0 ≤ < 1) + (1 ≤ < 1.5) =
( ≤ 1.5) = 0 + ( = 0) + (0 < < 1) + ( = 1) + (1 < < 1.5)
( ≤ 1.5) = 0 + ( = 0) + (0 < < 1) + ( = 1) + (1 < < 1.5)
( ≤ 1.5) = 0 +1/3 + 0 + 1/6 + 0 = 1/2.

A representação gráfica de F(x) é dada pela Figura 4.7b

 87

Figura 4.7b - Função de distribuição acumulada de X.

Observar, de acordo com a Figura 4.7b, que

( = 2) = :(2) − :(1) = 1 − = 1/2

e que
1 1
( = 1) = :(1) − :(0) = − = 1/6.
2 3

Exemplo 4.8 - Seja X uma v.a. contínua com fdp

f(x) = 2x , 0 < x < 1.
= 0 , para os outros valores de x.
Uma representação desta fdp é dada pela Figura 4.8a.

Figura 4.8 - fdp da v.a. do Exemplo 4.8.

 88

Portanto, a função acumulada da v.a , F(x) , de acordo com a equação (4.8 ), é dada por:
F(x) = 0 , se x ≤ 0
= x2 , se 0 < x < 1
= 1 , se x ≥ 1 .

Figura 4.8b - Função de distribuição acumulada da v.a. X do Exemplo 4.8.

Note que,
/
:(!) = ( ≤ !) = ; )(%)<%
0=

se ! ≤ 0, :(!) = ( ≤ !) = >0= )(%)<% = >0= 0<% = 0.

/ /

/ 1 /
% /
%' 0 < ! < 1, :(!) = ( ≤ !) = ; )(%)<% = ; 0<% + ; 2%<% = 2 | =!
0= 0= 1 2 1

se ! ≥ 1, :(!) = >0= )(%)<% = >0= 0<% + >1 2%<% + > 0<% = 1

/ 1 =

Se a e b são dois números reais tais que a < b , as seguintes propriedades sobre F(x)
podem ser verificadas:
(i) Se X for contínua, F(x) será contínua ∀ x.
(ii) P(a < X ≤ b) = P( X ≤ b) − P( X ≤ a) = F (b) − F (a ) .

(iii) A função F é não decrescente. Isto é , se x1 ≤ x2 , então F(x1) ≤ F(x2).

(iv) F ( −∞ ) = 0 e F (+∞) = 1.

TEOREMA 4.1: (a) Seja F(x) a Fd de uma v.a. contínua com fdp f(x), então,
 89

d
f ( x) = F ( x) , ∀ x no qual F seja derivável. (4.9)
dx
(b) Seja X uma v.a. discreta, com valores possíveis ! , ! , ⋯, e que
! < ! < ⋯ Seja F(x) a distribuição acumulada de X. Então:

#B!C D = B = !C D = :B!C D − :B!C0 D. (4.10)

TEOREMA 4.2: Seja X uma variável aleatória contínua com fdp f. Suponha-se que Y = H(X)
seja uma função de X estritamente monótona (ou crescente ou decrescente). Admita-se que
essa função seja derivável (e portanto, contínua) para todo X. Então, a v.a. Y, definida como Y
= H(X) possui fdp fY dada por

dx
f Y ( y ) = f X ( x) , (4.11)
dy
sendo que, x é expresso em termos de y.

PROVA: Supondo que H seja uma função estritamente crescente,

:E (F) = (G ≤ F) = (H( ) ≤ F) = B ≤ H 0 (F)D = :I [H 0 (F)] .

<:E (F) <:E (F) <!

Então,
= ,
<F <! <F

sendo que ! = H 0 (F). Logo,

<:(!) <! <!

L M (F) = = )(!) . ∎
<! <F <F

Exemplo 4.9 - Suponhamos que X tenha fdp.

f(x) = 2x , 0 < x < 1,
= 0, para outros valores.
Seja H(X) = 3X + 1 ,ver Figura 4.9.
 90

Figura 4.9 - Gráfico de Y= 3X + 1.

Para obter a fdp de Y = H(X) teremos

: E ( y ) = P(Y ≤ y ) = P(3 X + 1 ≤ y ) = P( X ≤
y −1 ( y −1) / 3
)=∫ 2 xdx = [( y − 1) / 3] 2
3 0

Desde que f(x) > 0 para 0 < x < 1, encontramos que fY(y) > 0 para 1 < y < 4.

Por isso, fY(y) = 2 [(y – 1) / 3] (1/3) = (2/9)(y – 1), 1 < y < 4.

Outra forma para determinar fY(y) é dada pela aplicação do Teorema 4.2
Temos f(x) = 2x, 0 < x < 1, e y = 3x + 1. consequentemente, x = (y – 1) /3 e
dx/dy = 1/3. Logo,
fy(y) = 2 [(y – 1) / 3] (1/3) = (2/9)(y – 1), 1 < y < 4, o que confirma o resultado
obtido anteriormente.

4.5. Valor Esperado ou Média de uma Variável Aleatória

DEFINIÇÃO 4.7: O valor esperado ou esperança matemática ou média de uma v.a. X é dado
por:
n
µ = E( X ) = ∑ x p( x )
i =1
i i , se X é uma variávelaleatória discreta, (4.12)

+∞
µ = E ( X ) = ∫ x f ( x )dx , se X é uma variável aleatória contínua , (4.13)
-∞
 91

em que, p(xi) e f(x) são respectivamente a distribuição e a densidade de probabilidade da v.a.

X.

Exemplo 4.10 - Seja X o resultado obtido no lançamento de um dado honesto. A função de

probabilidade da v.a. X é representada graficamente pela Figura 4.10, ou pela expressão

( = !) = 1/6, ! = 1,2, ⋯ ,6.

Logo,
Q

O( ) = P ! ( = !) = P !#(!)
/ /R
1 1 1
O( ) = 1 × + 2 × + … + 6 ×
6 6 6
O( ) = 1/6(1 + 2 + 3 + 4 + 5 + 6) = 7/2 = 3,5.

Figura 4.11 - Função de probabilidade da v.a. X do Exemplo 4.10.

Exemplo 4.11 - Suponha que a função densidade de probabilidade de uma v.a. X seja dada
por:
1
 x , 0 < x < 2,
f ( x) =  2
0 , em caso contrário.

O Valor esperado de X é então:

 92

+∞ 2
1
E(X) = ∫ x f ( x)dx = ∫ x( 2 x)dx = 4/3.
−∞ 0

4.5.1. Propriedades do Valor Esperado

(i) Se X = C , onde C é uma constante. Então, E(X) = C.

(ii) Suponha que C é uma constante e X uma v.a. Então, E(CX) = CE(X).
(iii) Sejam X e Y duas v.a.’s. Então, E(X + Y) = E(X) + E(Y).
(iv) Suponha que X e Y sejam variáveis aleatórias independentes. Então, E(XY) =
E(X)E(Y).

4.6. Variância de uma Variável Aleatória

A variância de uma v.a. é uma medida de dispersão dos valores possíveis da v.a. em
relação à sua esperança matemática.

2
DEFINIÇÃO 4.8: A variância de uma v.a. X, denotada por σ X ou Var(X), é dada por

T+*( ) = O( − UI ) , (4.14)

sendo que UI = O( ), VI ≥ 0. Se a v.a. X é discreta, assumindo valores x1 , x2 , ..., temos que

O( ) = P(!" − UI ) ( = !" ) (4.15)

"R

Se a v.a. X é contínua,

=
T+*( ) = ; (! − UI ) )(!)<! . (4.16)
0=

Outra forma de escrever a variância de uma v.a. X é dada por:

T+*( ) = O( ) − UI (4.17)
ou
T+*( ) = O( ) − O ( ).
 93

OBS.: O ( ) = O( )O( );
O( ) = ∑! !2 #(!), X discreta;

O( ) = >0= ! )(!)<!, X contínu;

=

O(Y( )) = >0= Y(!))(!)<!, X contínua.

=

Em muitas situações é conveniente converter os valores de uma variável aleatória X para

uma escala padronizada, na forma Z = . Assim, O(Z) = 0 e T+*(Z) = 1. (Mostrar)

I0[
\

Suponha que C é uma constante e X uma v.a. Então, E(CX) = CE(X).

1. Se a for uma constante e X uma v.a.,
(i) T+*(+ + ) = T+*( ); (4.18)
(ii) T+*(+ ) = +2 T+*( ) . (4.19)

DEFINIÇÃO 4.9: A raiz quadrada da variância de uma v.a. X, denotada por VI , denomina-se
desvio padrão de X (VI = ]T+*( ) ) .

Exemplo 4.12 - Se X1, X2, ..., Xn forem repetições independentes de uma v.a. X associadas a
um experimento aleatório, então:

Var(X1 + X2 +...+ Xn) = Var(X1) + Var (X2) + ... + Var(Xn). (4.21)

4.6.2. Desigualdade de Chebyshev

TEOREMA 4.3: Seja X uma v.a., com E ( X ) = µ . Então, para qualquer ε > 0 , temos

Var( X )
P[| X − µ | ≥ ε ] ≤ . (4.23)
ε2

PROVA: Seja X uma v.a. contínua, então

P[| X − µ | ≥ ε ] = ∫ x:| x − µ | ≥ε f ( x ) dx

1
Observar que | X − µ |≥ ε é equivalente a 2
( X − µ ) 2 ≥ 1 . Consequentemente,
ε
 94

P[|X − μ| ≥ ε] = ∫ x:|x − μ|≥ ε f(x)dx

(x − μ) 2
+∞ 1
≤∫ 2
f(x)dx = 2 Var(X) .
−∞ ε ε

No caso em que X é uma v.a. discreta a prova segue de modo análogo. ■

TEOREMA 4.3.2 Lei dos Grandes Números (Formulação de Bernoulli). Considere um

experimento aleatório ℰ repetido independentemente vezes. Seja $ um evento associado a ℰ
e sejam #$ o número de vezes em que $ ocorra nas repetições, e )` = #$/ . Seja
($) = # constante em todas as repetições de ℰ . Então para todo a > 0,

#(1 − #)
[|)` − #| ≥ a] ≤ . (4.23 − b)
a

PROVA: A prova segue diretamente da desigualdade de Chebyshev. ■

Note que a expressão (4.23 − b) pode ser reescrita na forma

#(1 − #)
[|)` − #| < a] ≥ 1 − . (4.23 − c)
a

Decorre imediatamente da expressão (4.23 − c) que

limW→= [|)` − #| < a] = 1 para todo a > 0.

4.7. Variáveis Aleatórias Bidimensionais (i, j)

4.7.1. Distribuição Conjunta de V.A.'s Discretas
Na maioria das vezes, ao descrever os resultados de um experimento, atribuímos a um
mesmo ponto amostral os valores de duas ou mais variáveis aleatórias. Iremos nos concentrar
no estudo de um par de variáveis aleatórias. Os conceitos apresentados estendem-se
facilmente ao conjunto formado de um número finito de variáveis aleatórias. O
 95

desenvolvimento será feito para variáveis discretas, e nos limitaremos a indicar brevemente
como a extensão para variáveis contínuas, pode ser feita.

Exemplo 4.13b: Lançamento de uma moeda duas vezes. Seja = número de caras no
primeiro lançamento e G = número de caras no segundo lançamento. Note que, = G = 0,1.
No sentido que,

0, %' ( (**'* { (*(+},4

=k
1, %' ( (**'* { +*+}.

Desejamos determianr a função #(!, F) = ( = !, G = F) chamada de distribuição

conjunta da v.a bidimensional ( , G).
Considerando a Tabela 4.9, podemos obter imediatamente que
11 1
( = !, G = F) = ( = !) ( G = F) = = ; ! = F = 0,1.
22 4
TABELA 4.9: Distribuição conjunta de
X e Y e marginais.

0 1 l(m)
j
0 1/4 1/4 n/o
1 1/4 1/4 n/o
l(p) n/o n/o n

Note que, q(i = r , j = r) = q({stutv} ∩ {stutv}) = q({stutv})q({stutv}) =

= x.
nn n
oo

Na Tabela 4.9 l(p, m) = q(i = p, j = m) denota a probabilidade do evento {i =

p y j = m} = {i = p} ∩ {j = m}. A função l(p, m) = q(i = p, j = m) pode ser
ainda representada por um gráfico.

Observar que ∑/ ∑z #(!. F) = 1.

Exemplo 4.14 - Ver Exemplo 8.1 de Bussab & Morettin (2017).

 96

4.7.2. Distribuições Marginais e Condicionais

Da Tabela 4.9, podemos obter diretamente as distribuições de X e Y. A primeira e

a última colunas dão a distribuição de G, (F , #(F) = (G = F)), enquanto a primeira e
última linhas da tabela dão a distribuição de , (! , #(!) = ( ( = !)). Estas distribuições
são chamadas, distribuições marginais. A distibuição de probabilidade marginal da v.a. X é
dada por:

#(!) = ( = !) = ∑z #(!, F).

Podemos observar, por exemplo, que

1 1 1
( = 0) = ( = 0, G = 0) + ( = 0, G = 1) = + = .
4 4 2

A distribuição marginal da v.a. do Exemplo 4.13b é dada pela Tabela 4.xx.

Tabela 4.xx - Distribuição marginal de X.

0 1 Σ
#(!) 1/2 1/2 1

Para introduzir o conceito de distribuição condicional, suponha que a v.a.

bidimensional ( , G) assuma os valores !" e FC , respectivamente. Então, da definição de
probabilidade condicional entre dois eventos $ e |, consideraremos a seguinte definição.

DEFINIÇÃO 4.10 : Seja xi um valor de X, tal que P(X = xi) = p(xi) > 0. A probabilidade

(G = F, = !" )
(G = F| = !" ) =
( = !" )

é denominada probabilidade condicional de Y = y, dado que X = xi .

Note que, para x fixado, os pares (yi, P(Y = yi | X = x)) definem a distribuição
condicional de Y, dado que X = xi, pois,

∞ ∞
P(Y = yi | X = xi ) P( X = xi )
∑ P(Y = yi | X = xi ) =∑ P ( X = xi )
=
P ( X = xi )
= 1.
j =1 j =1
 97

4.7.3. Independência de Variáveis Aleatórias Discretas

DEFINIÇÃO 4.11: As v.a.’s discretas X e Y, são independentes se, e somente se, para todo
par de valores (xi, yi) de X e Y tem-se:

P(X = xi , Y = yi) = P(X = xi)P(Y = yi) (4.24)

Basta que a equação (4.24) não se verifique para um par (xi, yi) para que X e Y não
sejam independentes. Neste caso, diremos que X e Y são dependentes. De modo análogo, essa
definição pode ser estendida para mais de duas v.a.’s.

Exercício: Verificar que as v.a.'s X e Y da Tabela 4.9 são independentes.

4.7.4. Distribuição Conjunta de Variáveis Aleatórias Contínuas

A distribuição conjunta de duas variáveis aleatórias contínuas é caracterizada por

uma função f(x, y), chamada função densidade conjunta de X e Y, satisfazendo:

(a ) f ( x, y ) ≥ 0, ∀ (x , y) ;

+∞ +∞
(b) ∫ ∫ f ( x, y )dxdy = 1 ;
−∞ −∞

b d
(c) P(a ≤ X ≤ b, c ≤ Y ≤ d ) = ∫ ∫ f ( x, y)dxdy .
a c

Exemplo 4.15 - Suponha que f(x, y) = 4xy, para 0 ≤ x ≤ 1; 0 ≤ y ≤ 1. Note que,

1 1 1 1 1 1
 x2   y2 
∫
0
∫0 4xydxdy = 4 ∫0 ∫0
xdx ydy = 4     = 1.
 2 0  2 0

Seja calcular,

P ( X ≤ 1 / 2, Y ≤ 1 / 2 ) .

A Figura 4.11 mostra o domínio da variação de X e Y e a região para a qual

X ≤ 1/ 2 e Y ≤ 1/ 2 .
 98

Figura 4.11

Logo,
1/ 2 1/ 2
1 / 2 1/ 2  x2   y2  1
P ( X ≤ 1 / 2, Y ≤ 1 / 2 ) = P ( 0 ≤ X ≤ 1 / 2, 0 ≤ Y ≤ 1 / 2 ) = ∫ ∫ 4xydxdy = 4     = .
0 0  2  0  2  0 16

Devemos observar que para v.a.’s contínuas, há ainda o interesse nas distribuições marginais
e condicionais.

4.7.5. Independência de Variáveis Aleatórias Contínuas

DEFINIÇÃO 4.12: As v.a’s contínuas X e Y, são independentes se, e somente se, para todo
(x,y) de (X,Y) tivermos

)(!, F) = )I (!))E (F). (4.25)

Na equação (4.25), )I (!) e )E (F) representam as densidades marginais de X e de Y,

respectivamente.

Outras distribuições de probabilidade de v.a.'s discretas e contínuas estão apresentadas

no Capítulo 5.
 99

Capítulo 5

5. Distribuições Binomial, Hipergeométrica, Normal

e Outras
Em experimentos aleatórios, algumas distribuições de probabilidade associadas as
variáveis de interesse surgem com mais frequência do que outras. Neste capítulo, estão
definidas as distribuições de probabilidade binomial, hipergeométrica, normal e outras. Além
disso, desenvolvemos algumas aplicações relacionadas a essas v.a's.

5.1. Distribuição Binomial

DEFINIÇÃO 5.1: Suponha uma série de n repetições independentes de um experimento, e
que em cada repetição podemos observar um evento $ = {%& '%%(} com probabilidade p ou
um evento $̅ = {)+}ℎ+} com probabilidade 1 − # . Então, a v.a. X = no de sucessos nas n
repetições do experimento, cuja função de probabilidade é dada por

( = !) = # / (1 − #)W0/ , ! = 0, 1, 2, … , , (5.1)
!

tem distribuição Binomial com parâmetros e #. Usamos a notação ~|( , #) para indicar
que a v.a. X tem distribuição Binomial com parâmetros e #.

PROPOSIÇÃO 5.1: Uma v.a. X especificada de acordo com a Equação (5.1) possui
distribuição Binomial com parâmetros n e p.

PROVA 5.1: Exercício (Ver, Meyer, 2010).

Observar que, ($$$$
ƒ„„…„. „†
..$$̅$̅$̅$̅) = # / (1 − #)W0/
ƒ…†
/ W0/

Empregamos a notação: ~|( , #) para indicar que a v.a. X tem distribuição binomial com
parâmetros e #.

PROPRIEDADES: Se ~|( , #), então:

 100

PROPRIEDADES: Se ~|( , #), então:

(i) O( ) = #, (5.2)
(ii) T+*(( ) = #(1 − #) , (5.3)
(iii)) Quando = 1, cada repetição desse experimento é chamada de prova
de Bernoulli. Isto significa que, para = 1, a distribuição binomial, é
chamada de distribuição de Bernoulli.
Portanto, se X possui distribuição de Bernoulli
Bernou com probabilidade de sucesso p, então

( = !) = # / (1 − #) 0/
, ! = 0, 1. (5.4)

Exemplo 5.1 (a) - Considere X = no de caras obtidas em 4 lançamentos de uma moeda

honesta. Dizemos que X assume os valores: 0, 1, 2, 3 e 4. Podemos
emos então escrever: X = 0,
1,2, 3,4.
Seja calcular a probabilidade de se obter exatamente duas caras. Teremos:
‡0
( = 2) = B‡D 1− = 6 × (1/2)‡ = ‰̂ .

Semelhantemente, P(X = 0) = 1/16

1/ ; P(X=1) = 4/16 ; P(X = 3) = 4/16 e P(X = 4) = 1/16.
Estas probabilidades estão representadas na função de probabilidade da Figura 5.1 (a) e na
função de distribuição acumulada (Fd) da Figura 5.1 (b).

Figura 5.1 (a) - Função de probabilidade de um v.a. Binomial com parâmetros =4 e

# = 1/2.
 101

Figura 5.1 (b) - Função de distribuição acumulada de uma v.a. Binomial com parâmetros =4e
# = 1/2.

O valor esperado do número de caras obtidas nos quatro lançamentos é dado por

∑ x P( X = x ) = 0 × +1× + ⋯+ 4 × = 2.
‡
4

Q Q Q
E(X) = i i
i =1

De acordo com a expressão (5.2), para n = 4 e p = 1/2, temos que E(X) = 4(1/2) = 2.

Exemplo 5.1 (b) - O Valor esperado de ~|( , #) pode ser determinado, escrevendo a v.a. X
na seguinte forma

= + + ⋯+ W,

em que, " = 0,1 é uma v.a. |'* (&}}-(#)

(&}}- . Note que, para - = 1,2, ⋯ , ,

O( " ) = ∑CR1 Š ( " = Š) = ( " = 1) = #. Logo,

O(( ) = O( ) + O( ) + ⋯ + O( W) = #.
 102

Exemplo 5.3 – Uma população de 100 pessoas é composta de 20 moradores de um bairro A e

80 de um bairro B.
(a) Uma amostra de 10 desses moradores é escolhida ao acaso, com reposição. Qual é a
probabilidade de que cinco moradores escolhidos sejam do bairro A ?
Seja = número de moradores na amostra do bairro A.
Note = 0,1,2, ⋯ ,10 são os valores possíveis da v.a. ~|( = 10, # = 0.2). Desejamos
determinar
( = 5) = B ‹1D0.2‹ (1 − 0.2) 10‹
= 0.026.

Esta probabilidade pode ser obtida no R usando o código:

Devemos observar que ∑CR1 ( = Š) = 1.
>
1
choose(10,5)*(0.2^5)*(0.8^5) #. "

(b) Uma amostra de 10 desses moradores é escolhida ao acaso, sem reposição. Qual é a
probabilidade de que cinco moradores escolhidos sejam do bairro A ?
Seja = número de moradores na amostra do bairro A.
Note = 0,1,2, ⋯ ,10 são os valores possíveis da v.a. . Desejamos determinar

B ‹1DB‰1D
( = 5) = ‹
= 0.021
B 11
1
D

Esta probabilidade pode ser obtida no R usando o código:

Devemos observar que ∑CR1 ( = Š) = 1.
> choose
1
(20,5)*choose(80,5)/choose(100,10) #. "

5.3. Distribuição Hipergeométrica

Suponha que temos um lote de N itens, r dos quais são defeituosos e (N – r) são não-
defeituosos. Suponha que escolhemos aleatoriamente uma amostra de n itens do lote, sem
reposição. Observe que sob estas condições, a distribuição binomial não pode ser aplicada.
Seja X o número de itens defeituosos encontrados. Portanto, = ! se e somente se
obtivermos ! itens defeituosos (dos r defeituosos ) e ( – !) não-defeituosos dos (N – r) não-
defeituosos. Teremos:
 103

( = !) = , max{0, + * − ”} ≤ ! ≤ min{ , *}. (5.9)

BŽ•DB•••
‘•Ž D
B•
‘D

A v. a. discreta X que possui distribuição de probabilidade dada pela equação (5.9) é chamada
de hipergeométrica.

Exemplo 5.3 – Pequenos motores elétricos são embarcados em lotes de 50. Antes de o
embarque ser realizado, um inspetor escolhe cinco destes motores para teste. Se nenhum
destes motores testados é defeituoso, o lote é aceito. Se for encontrado um ou mais
defeituosos, o lote todo é inspecionado. Suponha que há 3 motores defeituosos no lote. Qual é
a probabilidade que seja necessário testar 100% do lote?

motores se, e somente se, ≥ 1. Portanto,

Seja = número de motores defeituosos encontrados. É necessário testar todos os

B1̂DB‡–D
( ≥ 1) = 1 − ( = 0) = 1 − ‹
= 0,28.
B‹1
‹
D

Uma representação gráfica da função de probabilidade da v.a. X do Exemplo 5.3 é dada pela
Figura 5.1 (d).

Figura 5.1 (d) - Função de probabilidade da v.a. X , hipergeométrica, do Exemplo 5.3.

 104

Exemplo 5.3b – Uma população de 100 pessoas é composta de 20 moradores de um bairro A

e 80 de um bairro B.
(a) Uma amostra de 10 desses moradores é escolhida ao acaso, sem reposição. Qual é a
probabilidade de que cinco moradores escolhidos sejam do bairro A ?
Seja = número de moradores na amostra do bairro A.
Note = 0,1,2, ⋯ ,10 são os valores possíveis da v.a. .
Desejamos determinar

B ‹1DB‰1 D
( = 5) = ‹
= 0.021.
B 11
1
D

Esta probabilidade pode ser obtida no R usando o código:

Devemos observar que ∑CR1 ( = Š) = 1.
> choose
1
(20,5)*choose(80,5)/choose(100,10)#. "

(b) Uma amostra de 10 desses moradores é escolhida ao acaso, com reposição. Qual é a
probabilidade de que cinco moradores escolhidos sejam do bairro A?
Seja G = número de moradores na amostra do bairro A.
Note G = 0,1,2, ⋯ ,10 são os valores possíveis da v.a. G~|( = 10, # = 0.2).
Desejamos determinar
(G = 5) = B ‹1D0.2‹ (1 − 0.2) 10‹
= 0.026.

Esta probabilidade pode ser obtida no R usando o código: > choose(10,5)*(0.2^5)*(0.8^5) #.

Devemos observar que ∑CR1
1
(G" = Š) = 1.

(c) Determinar o valor esperado e a variância das v.a's. e G nos itens (a) e (b).

TEOREMA 5.1 – Seja X uma v.a. com distribuição hipergeométrica dada pela equação (5.9).
Então
(a) O( ) = #, (5.10)

(b) T+*( ) = #(1 − #) (5.11)

˜0W
˜0

(c) }-™˜→= ( = !) = BW/D# / (1 − #)W0/ , (5.12)

sendo que, # = */”.

Exercício: Provar o Teorema 5.1.

 105

5.6. Distribuição de Uniforme Discreta

DEFINIÇÃO 5.2: Seja uma v.a. discreta assumindo os valores ! , ! , … , !š . Então segue
uma distribuição uniforme discreta, denotada por ~›œ {! , … , !š }, se

B = !C D = , Š = 1, … , • .
š

Figura 5.3 - Distribuição de probabilidade de uma v.a uniforme discreta assumindo os valores
0,1,2, ... ,9.

Exemplo 5.5. Considere um lançamento de um dado honesto. Temos, X = 1, 2, 3, 4, 5, 6 e

B = !C D = Q , !C = 1,2, … , 6 .

Exercício: Mostrar que se ~›œ {! , … , !š }, então

a) O( ) = ∑š/R ! ( = !) =
š
,

b) T+*( ) = ∑š/R !B! − O( )D ( = !) = −

( š)( š ) ( š)ž
Q ‡
.

Códigos em R - Um modo alternativo para construir a Figura 5.3 é dado pelos seguinte
códigos em linguagem R.
##### Figura 5.3
 106

rm(list=ls(all=TRUE)) # to remove all variables

y=seq(0,3,1)
dbinom(y, size=3, prob=0.5,log = FALSE)
x=c(rep(0,5), rep(1,15), rep(2,15), rep(3,5))
plot(table(x)/length(x), lwd=3, col="red", ylab="P(X=x)", ylim=c(0, 0.40)) ## see also
## barplot(table(x)/length(x), lwd=3, col="red", ylab="P(X=x)", ylim=c(0, 0.40))
#########

5.7. Distribuição Uniforme Contínua

Uma v.a. contínua X possui distribuição uniforme no intervalo [a ,b] se sua fdp for
dada por:
1
f ( x) = , (5.15)
b−a

onde, a ≤ x ≤ b e f(x) = 0 fora desse intervalo.

NOTAÇÃO: X ~ U[a , b].

Apresentamos na Figura (5.4) o gráfico da equação (5.15).

Figura 5.4 - Densidade uniforme em [a , b].

Exercício: Mostrar que se X ~ U(a , b), então: E(X) = (a + b)/2 e Var(X) = (b – a)2/12
.

Exemplo 5.6 - Um ponto é escolhido aleatoriamente sobre o segmento de reta [0,2]. Qual é a
probabilidade que o ponto escolhido esteja entre 1 e 3/2 ?
Note que X ~ U[0 , 2], então f(x) = 1/2 , 0 ≤ x ≤ 2 . Portanto,
3/ 2
1
P(1 ≤ X ≤ 3/2) = ∫ 2
dx = 1/4 .
1
 107

A função de distribuição acumulada de uma v.a ~›[+, Ÿ] é dada por

0, !< +
!−+
:(!) = , + ≤ ! ≤ Ÿ,4
Ÿ−+
1, !>Ÿ

5.7. Distribuição Normal ou Gaussiana

Uma v.a. contínua X possui distribuição Normal ou Gaussiana com parâmetros U e V
se sua função densidade de probabilidade for dada por:

)(!) = exp 2− BŽ•¥ D §,

√ ¢£ ¦
(5.16)

em que, − ∞ < x < ∞ , −∞ < µ < ∞ e σ > 0.

NOTAÇÃO: X ~ N( µ , σ 2 ) : “X possui distribuição Normal com média µ e variância σ 2

”.

OBS: E(X) = µ , Var(X) = σ 2 e desvio-padrão igual a V.

DEFINIÇÃO 5.1: Seja uma v.a. , X ~ N( µ , σ 2 ). Então v.a. Z = (X – µ)/σ possui

distribuição Normal padronizada, cuja fdp é dada por

)(¨) = exp 2− z § , −∞ < ¨ < ∞ .

√ ¢
(5.162)

Então, podemos escrever Z ~ N(0 , 1). Note que O(Z) = 0 e T+*(Z) = 1.

Exercício: Mostrar que se, ~”(U, V ) , então v.a. Z = ~”(0,1).

I0[
\
 108

Cálculo de probabilidades sobre a distribuição Z~”(0,1) podem ser resolvidos com o

uso de tabelas disponíveis na maioria dos livros de estatística e probabilidade. Com a
facilidade do uso de softwares de computador e de smartphone estas tabelas vêm perdendo
força. No entanto, há ainda situações em que não podemos desprezá-las,
desprezá las, pensando
pensa nisso,
construímos a Tabela 5.1. Podemos verificar com o uso de um método de integração
numérica que em (5.16),

>0= )(!)<! = 1.
=

Para uma demonstração analítica, podemos recomendar a Seção 9.3 de Meyer (2010).

A Figura 5.2 apresenta o gráfico de uma fdp Normal padronizada, Z ~ N(0 , 1) .

Figura 5.5 - Z ~ ”(0 , 1).

Outras observações sobre

sob a distribuição Normal:
(i) A distribuição Normal representa boa aproximação de distribuições de frequências
observadas de muitos fenômenos naturais e físicos;
(ii) A distribuição de somas, médias (e proporções) em grandes amostras tende para a
distribuição Normal,
al, o que nos permite fazer estimação de parâmetros e testes
estatísticos de hipóteses.
 109

PROPRIEDADES:

Seja ~”(U, V ) com fdp )(!), então:

(i) O gráfico de )(! !) é simétrico com relação a média U ;

(ii) A média, a mediana e a moda de são iguais a U ;
(iii) )(!) tem dois pontos de inflexão cujas abscissas valem U ∓ V;

normais para diferentes valores de V e iguais

A Figuras 5.3 apresenta distribuições normais
valores de µ . Quanto maior o V mais achatado é o gráfico de )(!) e quanto menor o V mais
( ).
pontiagudo é o gráfico de )(!

Figura 5.6 - Distribuições Normais com µ1 = µ 2 = µ3 = 1 e diferentes valores de σ .

A Figura 5.7 apresenta distribuições normais com σ 1 = σ 2 e diferentes valores de µ .

 110

Figura 5.7 - Distribuições Normais

No com σ 1 = σ 2 e diferentes valores de µ .

O cálculo de probabilidades sobre uma distribuição Normal é feito a seguir com o uso de uma
tabela de uma de uma distribuição normal padronizada.
padronizada

(+ < < Ÿ) = >- )(!)<! = área sob a curva e acima do eixo horizontal (x)
¬
Temos que, (
entre a e b,, vide Figura 5.8. Esta integral não pode ser calculada analiticamente, e a
probabilidade indicada só poderá ser obtida, aproximadamente, por métodos de integração
inte
numérica.

a µ b
Figura 5.8

5.7.1. Uso da Tabela da Distribuição Normal Padrão

Vários tipos de tabelas estão apresentados em livros de introdução à estatística.
est
Podemos utilizar para calcular probabilidades de interesse a Tabela 5.1 construída usando o
programa Excel.
 111

TABELA 5.1 - Distribuição Normal padrão (Z ~ N(0 , 1)) para P( −∞ < Z ≤ zc ) via Excel.

Parte
inteira
e 1a
decima
l de Zc

2a Decimal de Zc
0 1 2 3 4 5 6 7 8 9
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
Continua...
 112

Tabela de uma distribuição Normal

Padrão (N(0 , 1) – Continuação

Parte 2a Decimal de Z
inteira
e 1a 0 1 2 3 4 5 6 7 8 9
decima
l de Zc
0,0 0,500 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0
0,1 0,539 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
8
0,2 0,579 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
3
0,3 0,617 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
9
0,4 0,655 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
4
0,5 0,691 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
5
0,6 0,725 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
7
0,7 0,758 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0
0,8 0,788 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
1
0,9 0,815 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
9
1,0 0,841 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
3
1,1 0,864 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
3
1,2 0,884 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
9
1,3 0,903 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
2
1,4 0,919 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
2
1,5 0,933 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
2
1,6 0,945 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
2
1,7 0,955 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
4
1,8 0,964 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1
1,9 0,971 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
3
2,0 0,977 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2
2,1 0,982 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
1
2,2 0,986 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
1
2,3 0,989 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
3
2,4 0,991 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
8
2,5 0,993 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
8
2,6 0,995 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
3
2,7 0,996 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
5
2,8 0,997 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
4
2,9 0,998 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
1
 113

3,0 0,998 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
7
3,1 0,999 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
0
3,2 0,999 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3
3,3 0,999 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
5
3,4 0,999 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
7
3,5 0,999 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
8

Exemplo 5.7 - ®'Š+ Z ~ ” (0,1), calcular

(a) (Z ≤ 2); b) (−2 < Z ≤ 2); c) (0 < Z ≤ 2) ; d) (Z ≥ 2).

Sugestão: Utilize o Software GeoGebra ou o R ou a Tabela 5.1.

(a) (−∞ < Z ≤ 2,00) = 0.9772 (b) (−2,00 < Z ≤ 2,00) = 0.9545

(−2,00 < Z ≤ 2,00) = (Z ≤ 2,00) − (Z ≤ −2,00) = 0.9772 − 0.0228 =

(0,00 < Z ≤ 2,00) = 0.9772 − 0.5 = 0.4772 (Z ≥ 2,00) =

0.0227.
(c) (d)

Exemplo 5.8 - Continuação: Seja Z ~ N (0,1), calcular

c) (1,32 < Z ≤ 1,79) d) (−1,5564 ≤ Z ≤ 2,8610)

 114

P(1,32 < Z ≤ 1,79) = 0,0567 P(-1,5564 ≤ Z ≤ 2,8610)= 0.9381

e) P(Z ≥ 1,96) f) P(-1,96 ≤ Z ≤ 1,96)

P(Z ≥ 1,96) = 1 - 0,975 = 0,025 P(-1,96 ≤ Z ≤ 1,96)=0.95

Exemplo 5.9 - Seja ~ ”(10 , 64 = 8 ), calcule (6 < < 12).

Teremos,

(6 < < 12) = P( ) = (−0,50 < Z <

6 − 10 X − 10 12 − 10
< <
0,25) =
8 8 8

= 0,1915 + 0,0987 = 0,2902 .

 115

6 − 10 − 10 12 − 10
(6 < < 12) = < < = (−0,50 < Z < 0,25)
8 8 8
(−0,50 < Z < 0,25) = (Z < 0,25) − (Z < −0.50) = 0,5987 − 0,3085 = 0,2902

Usando a função "pnorm" do R teremos,

P(-0,50 < Z < 0,25)= pnorm(0.25,0,1)-pnorm(-0.50,0,1)= 0.2901688.
Alternativamente,
P(6 < X < 12)= pnorm(12,10,8)-pnorm(6,10,8) = 0.2901688.

A Figura 5.9 mostra as áreas que correspondem a esta probabilidade nas distribuições das
v.a.'s ~”(10,64) e Z~”(0,1).

Figura 5.9 - Áreas que correspondem a probabilidade de 0,2902 do Exemplo 5.9.

5.8. Distribuição Exponencial

Uma distribuição muito usada para descrever dados de tempo de vida quando
estudamos a confiabilidade de um produto é a exponencial. A sua função densidade de
probabilidade é dada por:

¯' 0°/ , ! ≥ 0 , ¯ > 0 4

)(!) = k
0, ! < 0
. (5.17)
 116

OBS: Se X tem distribuição exponencial com parâmetro α (X ~ Exp( α )),, então:

1
E(X) = 1/ α e Var(X) = .
α2
A função de distribuição acumulada da distribuição exponencial (5.17) é dada por:

1 − ' 0°/ , ! ≥ 0 , ¯ > 0 4

:(!) = k
0, ! < 0
. (5.18)

Exemplo 5.10 - Seja X uma v. a. com distribuição exponencial de parâmetro 2. Calcular P(X
< 0.5).

Figura 5.10 - Gráfico da fdp da v.a ~ O!#(∝= 2) do Exemplo 5.8.

5.8
Temos que,

≤ = >0= 2' 0 / <! = >1 2' 0 / <! = 0,63.

/ /

Ou utilizando a função distribuição acumulada :(!) = 1 – ' 0 /

,

( < 0,5) = :(0,5) = 1 – ' – (1,‹)

= 0,63.

~O!#(¯), então > ° = ' 0°³ = ' 0 ≅ 0,37.

²
Note que, se

A distribuição exponencial também possui a propriedade

propriedade da falta de memória
(desgaste), no mesmo sentido que foi visto na distribuição geométrica. Considere um
componente que tem distribuição de tempo de vida exponencial. Se ele durou até o instante t,
então a probabilidade condicional dele durar mais
mai s unidades de tempo além do instante t, é a
 117

mesma que um componente novo venha a durar s unidades de tempo. Seja X o tempo de vida
desse componente, então para todo s, t > 0,

( > µ + %| > µ) = ( > %). (5.19)

 118

Exercícios dos Capítulos 4 e 5

1. Num lote de 11 lâmpadas, existem 4 queimadas. Um cliente compra 3 lâmpadas do lote,

sem verificar se estão funcionando. Achar a distribuição de probabilidade do no X de
lâmpadas defeituosas adquiridas pelo cliente.

2. Uma urna contém 5 bolas brancas e 3 pretas. Extraem-se duas bolas aleatoriamente, sem
reposição. Seja X o número de bolas brancas extraídas. Determine a distribuição de
probabilidade de X e esboce o seu gráfico.

3. Seja X uma v. a. com distribuição exponencial, i. e. X tem fdp dada por:

f ( x) = ae − x / 2 ,x≥0 , a ≥0 .
+∞
Sugestão: ∫−∞ f ( x)dx = 1 .
(a) Determine o valor da constante a e esboce os gráficos de f(x) e de F(x).

(b) Seja Y = X/2 - 1. Qual é a probabilidade de Y > 2 ?

4.Suponha que X seja uma v. a. contínua com função de densidade de probabilidade dada por:
c (4 x − 2 x 2 ) , 0<x<2
f ( x) = 
0 , caso contrário
Encontre o valor da constante c.

5. Calcular a média e a variância do no X de lâmpadas defeituosas adquiridas pelo cliente na

questão 1.

6. A função de distribuição acumulada de uma v.a. X é

1 − e−2 x ,x ≥ 0
F ( x) = 
0, x < 0.
Determine:
a) O valor esperado de X b) A variância de X

7. Uma variável aleatória tem a seguinte função de distribuição acumulada:

0 %' ! < 5 ;
¹
· 0,2 %' 5 ≤ ! < 6;
:(!) = 0,8 %' 6 ≤ ! < 8; 4
¸0,9 %' 8 ≤ ! < 10;
·
¶1 %' ! ≥ 10.
Determine:

b) P(X ≤ 6).
a) A função de probabilidade da v.a. .

d) P(6 < < 10).

c) P(X < 12).

e) O( ) e T+*( ).
 119

8. Seja X uma v.a. com µ = E ( X ) e σ 2 = Var(X). Mostre que Z = ( X − µ ) / σ possui

E(Z) = 0 e Var(Z) = 1.

9. Uma v. a. X tem fdp dada por:

f ( x) = ae − x / 2
,x ≥0 , a ≥ 0 .
Determine:
(a) O valor da constante a (b) A média e a variância de X (c) A média e a variância

(d) Determine »I (µ) = O(' ¼I ) denominada de função geradora de momentos da v. a. X .

de Y = X/2 - 1.

(Sugestão: Meyer, 2010, Cap. 10).

10. Seja X com distribuição dada abaixo:

X 0 1 2
P(X = x) 1/2 1/4 1/4
a) Calcule E(X)
b) Considere a v.a (X - a)2 para a = 0, 1/4, 1/2, 3/4, 1. Obtenha o gráfico de g(a) = E(X - a)2
c) Para qual valor de a , g(a) é mínimo?

11. Suponha que seja uniformemente distribuída sobre [−+ , 3+]. Determine a variância de
.
2
12. Suponha que a v.a. X tenha fdp f ( x) = 2 xe − x , x ≥ 0. Seja Y = X2 . Calcule E(Y).

13. Suponha que a duração de uma chamada telefônica em minutos é uma v. a. exponencial
com parâmetro λ = 1/10 . Qual é o valor esperado ? . Se alguém chega imediatamente
em sua frente em uma cabine telefônica, encontre a probabilidade de você ter que :
a) esperar mais de 10 minutos b) esperar entre 10 e 20 minutos.

14. Suponha que 2 cartas sejam retiradas ao acaso de um baralho comum de 52 cartas. Seja X
o número de ases obtidos e seja Y o número de damas obtido.
(a) Determine a distribuição de probabilidade conjunta de (X , Y).
(b) Determine a distribuição marginal de X e a de Y.
(c) Determine a distribuição condicionada de X (dado Y) e a de Y (dado X).
(d) Determine a distribuição de probabilidade da v.a. Z=XY.
Sugestão: Usar a distribuição hipergeométrica nos itens (a) e (b)

15. Calcule o coeficiente de correlação entre as v.a’s X e Y do problema 14. Utilize a seguinte

do grau de dependência entre as duas v.a.’s é o coeficiente de correlação ½( , G) definido por

definição. DEFINIÇÃO: Sejam X e Y v.a.’s tendo variâncias finitas e não-nulas. Uma medida

¾(¿( , G)
½( , G) = ,
VI VE

¾(¿( , G) = OÀB − O( )DBG − O(G)DÁ = O( G) − O( )O(G) é a covariância entre X e Y,

em que,

e VI e VE são os desvios-padrões de X e Y, respectivamente. Observar que −1 ≤ ½( , G) ≤

1.
Obs: O( G) = ∑/ ∑z !F ( = !, G = F)
 120

16. Para que valor de k, a expressão f ( x, y ) = ke − ( x+ y ) é a fdp conjunta de (X ,Y) , sobre a

região 0 < x < 1 , 0 < y < 1 ?

17. Dada a v.a. G = , determine a média e a variância de G, sabendo que a fdp de

I0[Â
\Â
é
)(!) = Ã exp(−Ã!), ! ≥ 0 , Ã >0.

18. Sob a hipótese de que certo programa de treinamento melhora o rendimento de 80% das
pessoas a ele submetidas, qual a probabilidade de, numa amostra de 7 pessoas que forem
submetidas a este programa de treinamento, cinco ou menos melhorar de rendimento?

19. Num teste do tipo certo-errado, com 100 perguntas, qual a probabilidade de um aluno,
respondendo as questões ao acaso, acertar 80% ou mais das perguntas?

20. Em um cruzamento de tráfego intenso, a probabilidade p de um carro sofrer um acidente

é 0,0001. Contudo, durante certa parte do dia, por exemplo, das 16 às 18 horas, um grande
número de carros passa no cruzamento (1000 carros, admitamos ). Nessas condições, qual é a
probabilidade de que 2 ou mais acidentes ocorram durante aquele período? Sugestão : Usar as
distribuições de Poisson e Binomial.

21. Determinado tipo de parafuso é vendido em caixas com 1000 unidades. É uma
característica da fabricação produzir 10% com defeito. Normalmente, cada caixa é vendida
por $13,50. Um comprador faz a seguinte proposta: de cada caixa, ele escolhe uma amostra de
20 peças; se a caixa não tiver parafusos defeituosos, ele paga $20,00; um ou dois defeituosos,
ele paga $10,00; três ou mais defeituosos, ele paga $8,00. Qual alternativa é a mais vantajosa
para o fabricante? Justifique.

22. Suponha que o tempo de vida T, em segundos, de um vírus exposto ao meio ambiente
segue uma distribuição Exponencial com parâmetro ∝= %.
1
Calcule a probabilidade

condicional P(T > 15 | T > 10).

23. Suponha que um componente eletrônico tenha uma duração de vida (em unidades de
1000 horas), com a seguinte fdp: )(!) = ' 0/ , ! > 0.
Suponha que o custo de fabricação de um desses componentes seja US$ 2,00. O fabricante
vende uma peça por US$ 5,00, mas garante o reembolso total se ≤ 0,9. Qual o lucro
esperado por peça pelo fabricante?
 121

24. Usando uma tabela de uma distribuição normal padronizada Z ~ ” (0,1), calcule:
(a) (Z < 1.37) (b) (−0.155 < Z < 1.60)

25. Seja Z ~ ”( 0 , 1). Obter o valor ¨ tal que: (−¨ < Z < ¨) = 0.95.

26. Suponha que X tenha uma distribuição N(2; 0.16). Calcule as seguintes probabilidades:
(a) ( ≥ 2)) (b) (1.22 < < 6.11)

27. Os pesos de embalagens produzidas numa linha de produção de uma fábrica tem
distribuição normal com média 100 gramas e desvio-padrão 5 gramas. Determine a
probabilidade de que uma embalagem selecionada aleatoriamente tenha:
( a ) mais de 110 gramas. ( b ) entre 90 e 110 gramas.

28. Os componentes eletrônicos fabricados por uma empresa tem tempos de vida
normalmente distribuídos com média 506 horas e desvio-padrão 81 horas.
Qual proporção dos componentes tem tempos de vida menores do que 574 horas ?

29. Suponha que os tempos de vida de dois dispositivos eletrônicos tenham distribuição
N(40, 36) e N(45, 9), respectivamente. Se o dispositivo eletrônico tiver de ser usado por um
período de 45 horas, qual dos dispositivos deve ser preferido? Se tiver de ser usado por um
período de 48 horas, qual deles deve ser preferido?

30. O peso X dos alunos de uma escola têm distribuição normal com média 60 kg e desvio
padrão 2 kg. Numa amostra aleatória de 200 alunos, qual o número esperado de alunos com
peso entre 55 kg e 63 kg ?

31. Seja X uma variável aleatória contínua, tal que X ~ N( 12; 25). Qual a probabilidade de
uma observação ao acaso:
(a) ser menor do que -3; (b) estar entre -1 e 15 ; (c) ser maior do que 12.

32. Se X1 , X2 e X3 são v. a' s. independentes , N(0 , 1) , N(1 , 4) e N(2, 9), respectivamente,

qual a probabilidade de apenas uma das três ser menor ou igual a zero ?
 122

33. Na distribuição X ~ N( µ , σ 2 ) , encontre:

(a) P( X ≤ µ + 2σ ) (b) P( | X − µ | ≤ σ )
(c) O número a , tal que P(µ − aσ ≤ X ≤ µ + aσ ) = 0,99 .

34. Os comprimentos de 10000 peças fornecidas por um fabricante têm distribuição

aproximadamente normal, com média 170 cm e desvio padrão 5 cm.
a) Qual o no esperado de peças cujo o comprimento é superior a 165 cm ?
b) Qual o intervalo simétrico em torno da média que contém 95% dos comprimentos das
peças?

35. Foi verificado que um determinado item possui peso X ~ N(6,4 ; 0,82). Num lote de 80
itens fabricados, qual o no esperado de itens nos intervalos:
a) X < 5 b) 5 ≤ X < 7,5 c) 7,5 ≤ X < 10.

média zero e desvio-padrão V. Qual é a probabilidade de o erro de medição ser maior do que
36. Suponha que o erro de medição de peças fabricadas sejam normalmente distribuídos com

(a) V ? (b) 3V ?

37. Suponha que X, a carga de ruptura de um cabo (em kg) , tenha distribuição N(100 , 16).
Cada rolo de 100 metros de cabo dá um lucro de R$ 25, desde que X > 95. Se X ≤ 95 , o
cabo poderá ser utilizado para uma finalidade diferente e um lucro de R$ 10 por rolo será
obtido. Determinar o lucro esperado por rolo.

38. O tempo de vida (duração até falhar) de um componente eletrônico é uma v. a. T com
distribuição exponencial, i.e.,
1 − (1 / 5000 )t
f (t ) = e , t ≥0.
5000
(a) Determine a probabilidade de o componente funcionar mais que 12000 horas, sem

(b) Determine o valor t , segundo o qual (Å ≥ µ) = 1/2. Este valor é denominado de

falha, supondo que já foi utilizado durante as primeiras 5000 horas.

mediana da v.a. T. A função de probabilidade Æ(µ) = (Å > µ) é denominada de

função de confiabilidade.
(c) Qual o valor t , segundo o qual 95% dos componentes irão falhar?
(d) Trace os gráficos das funções densidade, distribuição acumulada e de confiabilidade
da v.a T. Use o software R.
(e) Determine a média, a mediana e o desvio-padrão amostral, baseados em uma amostra
aleatória de tamanho n =1000 da v.a. T. Compare esses valores com os respectivos
média, mediana e o desvio-padrão da v.a. T.
 123

Sugestão: Use o código em R:

x=rexp(n,b) # para gerar uma amostra aleatória de n valores de uma exponencial
com taxa=b.

(f) Suponha que três desses componentes foram instalados segundo o esquema série-
paralelo:

O sistema não funciona (isto é, falha) se a passagem de corrente de A para B for

interrompida, quer seja pela falha do componente 1 ou pela falha simultânea dos
componentes 2 e 3, ou ainda, pela falha dos três componentes simultaneamente.
Considere T1 , T2 e T3 o tempo de duração até falhar dos componentes 1, 2 e 3 com a

Æ(µ) = (Å > µ). Qual é o valor t , segundo o qual (Å ≥ µ) = 1/2 ?

mesma distribuição da v.a. T para determinar a função de confiabilidade do sistema

(g) Se cinco desses componentes forem instalados em diferentes sistemas, qual é a

probabilidade de que pelo menos um esteja funcionando após 12000 horas?

(h) Seja T1 uma v.a. com distribuição Uniforme no intervalo (0, t0 ) , suponha t0
conhecido, e seja T2 uma v.a independente de T1 com a mesma distribuição da v.a. T.
determine a fdp da v.a. Y = min(T1 , T2 ) . Determine o valor esperado da v.a Y e compare

(i) Determine »Ç (%) = O(' ÈÇ ) denominada de função geradora de momentos da v. a. T .

com os valores esperados de T1 e T2 .

(Sugestão: Meyer, 2010, Cap. 10). Verifique que »Ç (%)|ÈR1 é igual a E(T).
œ
œÈ

frequência relativa do evento $ = {Å > 12000} e compare com o valor exato da

(j) Utilizando uma amostra aleatória de tamanho n =1000 da v.a. T, determine a

probabilidade (Å > 12000).

Sugestão: Use o código em R:
x=rexp(n,b) # para gerar uma amostra aleatória de n valores de uma exponencial
com taxa=b.

(l) Sejam Å , Å , ⋯ , ÅW v. a’s. independentes e identicamente distribuídas cada uma com

fdp )Ç (µ) = exp(− µ). A função É(¯) = ∏W"R )Ç (µ" ) é chamada de função de
° °

verossimilhança. Para estimar o parâmetro ¯ devemos determinar o valor Ë̄ que

maximiza a probabilidade da amostra observada (µ , µ , ⋯ , µW ) ter sido obtida. Determine
Ë̄ . Sugestão: maximizar a função }(¯) = log É(¯) = ∑W"R log )Ç (µ" ) em relação a ¯ .
 124

39. Distribuição Geométrica. Suponha que na realização de um experimento, o evento $

ocorre com probabilidade # ou não ocorre $ com probabilidade 1 – #. O experimento é
repetido de forma independente até que o evento $ ocorra pela primeira vez. Então a v.a.
= ú™'*( <' *'#'µ-çã( <( '!#'*-™' µ( +µé ( (**'* $ #'}+ #*-™'-*+ ¿'¨ é
chamada
de geométrica com função de probabilidade dada por
( = !) = (1 – #)/0 #, ! = 1,2, …. (5.5)
A notação ~ L(#) é usada para indicar que a v.a dada pela expressão (5.5) tem
distribuição geométrica com parâmetro #.
a) Prove que ∑=
/R1 ( = !) = 1.

b) Prove que O( ) = .
Ò

c) Prove que T+*( ) = .

0Ò
Òž

d) Prove que então para todo j, k = 1, 2, 3, .... , tem-se:

( ≥ Š + •| > Š) = ( > Š). (5.8)

Este resultado estabelece que a distribuição geométrica “não possui memória”, no seguinte
sentido: Considere um componente eletrônico, cujo tempo de vida é uma v.a. X com
distribuição geométrica com parâmetro p. Suponha que esse tempo de vida é medido em
unidades discretas, isto é, ao final de cada unidade de tempo é verificado se o componente
está funcionado ou não. A expressão (5.8) mostra que, se o componente funcionou até o
instante j, então a probabilidade de que ele funcione por mais k unidades de tempo é a mesma
que a probabilidade de um componente novo funcionar por k unidades de tempo.

40. Distribuição Binomial Negativa

Seja o número de repetições de um experimento aleatório até a ocorrência de r sucessos de
um evento A. É evidente que se r = 1, X terá a distribuição geométrica. Ora, X = x se, e
somente se, A ocorrer na x-ésima repetição e A tiver ocorrido exatamente (r - 1) vezes nas (k -
1) repetições anteriores. A probabilidade deste evento é meramente #B/0
Ó0
D#Ó0 (1 − #)/0Ó ,
desde que o que acontece nas primeiras (k - 1) repetições é independente daquilo que
acontece na k-ésima repetição. Portanto,
!−1 Ó
( = !) = # (1 − #)/0Ó , ! = *, * + 1, ⋯, (6.1)
*−1

A notação ~|”(*, #) é usada para indicar que a v.a. segue a distribuição Binomial
Negativa com parâmetros r e p com 0 < p < 1, r > 0.
 125

(a) Se ~|”(*, #) dada (6.1) por, determinar E(X) e Var(X).

(b) Alguns autores formulam a v.a. ~|”(*, #) Considerando uma sequência de ensaios de
Bernoulli independentes e a v.a. X o número de fracassos anteriores ao r-ésimo sucesso.
Determine a função de probabilidade ( = !) da v.a. X .

REFERÊNCIAS

BUSSAB, W. O. ; MORETTIN, P. A. (2009). Estatística básica. Saraiva, São Paulo, 6ª ed.,

560 p.
HOHENWARTER, M. GEOGEBRA. Disponível em : <www:geogebra:org>.
MAGALHÃES, M. N. (2011). Probabilidade e variáveis aleatórias. Edusp, São Paulo, 3a ed.
MEYER, P. L. (2010). Probabilidade - aplicações à estatística. LTC, São Paulo, 2ª ed.
R Core Team (2014). R: A Language and Environment for Statistical Computing. R
Foundation for Statistical Computing, Vienna, Austria. url = https://www.R-project.org/ .