UNIFEI

Instituto de Matemática e Computação

MAT013 Probabilidade e Estatística

Profs. Nancy Chachapoyas e José Vidarte

Notas de Aula: Semana 5

Roteiro

• Atividade teórica da semana: Estudo individual das notas de aula das página 1 a 10.

• Exercícios para vericação de presença: Resolver os Exercícios 29 e 30.

1 Variáveis Aleatórias Discretas (v.a.d)

Denição 1 A variável aleatória X é discreta se toma um número nito ou enumerável de val-

ores, i.e., se existe um conjunto nito ou enumerável {x1 , x2 , . . .} ⊂ R tal que X(ω) ∈ {x1 , x2 , . . .},
para todo ω ∈ Ω.

Exemplo 2 Quando um aluno liga para o help desk (suporte) da faculdade em busca de suporte

técnico, ele poderá falar com alguém imediatamente (S, para sucesso) ou car aguardando (F, para

fracasso). Com Ω = {S, F }. Considere a v.a X denida por

X(S) = 1, X(F ) = 0.

A v.a X indica se o aluno pode (1) ou não (0) falar com alguém de imediato.

Denição 3 Qualquer variável aleatória cujos únicos valores possíveis são 0 e 1 é denominada

variável aleatória de Bernoulli.

Denição 4 Para uma v.a discreta X, a distribução de probabilidade ou função de probabilidade

(f.p.) é uma função denida para todos os números xi ∈ R X ,

P : RX → [0, 1]
xi 7→ P (X = xi )

denotado por p(xi ) = P (X = xi ) = pi = P (s ∈ Ω : X(s) = xi ) tal que

P
(i) p(xi ) ≥ 0; (ii) xi ∈RX p(xi ) = 1.

Exemplo 5 Suponha que a variável aleatória X tenha valores possíveis, 0,1,2,3...e e que

cλx
p(x) = , onde λ é um número.
x!

1
 (a) Ache o valor de c. (b) Calcule P (X = 2).

Solução:
∞
X
(a) Como p(x) = 1, então tem-se
x=0

∞ ∞
X cλx X λx
=1⇔c = 1.
x! x!
x=0 x=0

P∞ xi
Lembremos que, ex = i=0 i! , assim ceλ = 1, donde c = e−λ .

e−λ λ2
(b) Por denição temos que, P (X = 2) = p(2) = 2! = 12 λ2 e−λ .

A v.a X é conhecida como distribuição de Poisson de parâmetro λ.

Exercício 6 A função de probabilidade de uma v.a.d X é dada por

c
p(x) = , x = 2, 3, 4, . . .
x2 −1

(a) Ache o valor da constante c. (b) Calcule P (X = 2).

Solução:
∞ ∞
P∞ X c X 1
(a) Como x=2 p(x) = 1, então ⇔ c = 1.
x2 − 1 x2 − 1
x=2 x=2
∞
X 1 1
Seja, S= = lim 2 . Para calcular S vamos a usar a seguinte soma telescópica.
x2
− 1 n→∞ x − 1
x=2
Considere a seguinte função F : Df → R, entã pode-se vericar usando indução matemática
Xn
que [F (x) − F (x − 2)] = F (n) + F (n − 1) − F (0) − F (1). Em nosso caso, vamos usar esta
x=2
1
fórmula para F (x) = 1+x . Usando frações parciais temos,

1 1/2 1/2
= − .
x2 −1 x−1 x+1

Assim,

n    
1 X 1 1 1 1 1 1
S = − lim − = − lim + −1− . Propriedade Telescópica
2 n→∞ x+1 x−1 2 n→∞ n + 1 n 2
x=2

Logo, c. 34 = 1, então c= 4
3.

4
(b) Por denição temos que, P (X = 2) = p(2) = 3(4−1) = 94 .

Exemplo 7 Seis lotes de componentes estão prontos para ser entregues por um fornecedor. O

número de componentes com defeito em cada lote é mostrado a seguir:

2
 Lote 1 2 3 4 5 6

Quantidade de componentes

com defeito 0 2 0 1 2 0

Um desses lotes será selecionado aleatoriamente (ao acaso) para entrega a um cliente especíco.

Seja X= o número de peças como defeito no lote selecionado .

Os valores possívesis de X são 0, 1 e 2. Dos seis eventos, três resultam em X = 0, um em X=1

e os outros dois em X = 2. Então,

3
p(0) = P (X = 0) = P (se lote 1 ou 3 ou 6 é enviado) = = 0, 5;
6
1
p(1) = P (X = 1) = P (se lote 4 é enviado) =
= 0, 167;
6
2
p(2) = P (X = 2) = P (se lote 2 ou 5 é enviado) = = 0, 333.
6

Temos a função probabilidade

x 0 1 2 Soma
1 1 1
p(x) 2 6 3 1

Denição 8 A função de distribução acumulada (f.d.a ou f.d.), FX (x), de uma variável aleatória

discreta X com f.p. p(x) é denida para todos os números x como

X
F (x) := FX (x) := P (X ≤ x) = p(y). (1)
y:y≤x

Para qualquer valor x, F (x) é a probabilidade de o valor X observado ser no máximo x.

Exemplo 9 Uma loja vende pendrives de 1 GB, 2 GB, 4 GB, 8 GB e 16 GB de memórias. A

tabela a seguir mostra a dostribução de Y = quantidade de memória de um pendrive adquirido:

y 1 2 4 8 16

p(y) 0,05 0,10 0,35 0,40 0,10

Encontrar a f.d.a de Y.

Solução: Primeiro, vamos determinar F (y) para cada um dos cinco valores possíveis de Y:

F (1) = P (Y ≤ 1) = P (Y = 1) = p(1) = 0, 05;

F (2) = P (Y ≤ 2) = P (Y = 1 ou 2) = p(1) + p(2) = 0, 15;

F (4) = P (Y ≤ 4) = P (Y = 1 ou 2 ou 4) = p(1) + p(2) + p(4) = 0, 50;

F (8) = P (Y ≤ 8) = p(1) + p(2) + p(4) + p(8) = 0, 90;

F (16) = P (Y ≤ 16) = 1.

3
Agora, para qualquer outro número y, F (y) será igual ao valor de F no valor mais próximo possível

de Y à esquerda de y. Por exemplo,

F (2, 7) = P (Y ≤ 2, 7) = P (Y ≤ 2) = F (2) = 0, 15;

F (7, 9999) = P (Y ≤ 7, 9999) = P (Y ≤ 4) = F (4) = 0, 50.

Se y for inferior a 1, F (y) = 0 (ex.,F (0, 58) = 0) e se y for pelo menos 16, F (y) = 1 (ex.,

F (25) = 1). Assim, a f.d. é




 0 ; y<1

0, 05 ; 1 ≤ y < 2






 0, 15 ; 2 ≤ y < 4
F (x) =


 0, 50 ; 4 ≤ y < 8

0, 90 ; 8 ≤ y < 16






 1 ; 16 ≤ y.

Exemplo 10 (Amostragem sem reposição) Suponha que uma produção diária de 850 peças

fabricadas contenha 50 delas que não obedecem aos requerimentos do consumidor. Duas peças

são selecionadas ao acaso sem reposição, da batelada. Seja a variável aleatória X o número de

peças não conformes na amostra. Qual é a função de distribução acumulada de X.

Solução: A questão pode ser respondida determinando primeiro a função de probabilidade de X.

Temos que Ω ={Todas as possíveis amostras de tamanho 2}.
X := número de peças não conformes.

Denamos os seguintes eventos

A1 =  Primeira peça conforme  A3 =  Segunda peça conforme

A2 =  Primeira peça não conforme A4 =  Segunda peça não conforme

799
=
P (A3|A1) 849
A3 →X=0
800 A1
)= 850
P (A 2 P (A4 |A ) 50
A4 →X=1
1 =
849
800
=
P (A
1)
P (A3|A2) 849
A3 →X=1
= 50
850 A2
P (A4 |A ) 49
A4 →X=2
2 =
849

Lembremos que se B ⊂ RX = {0, 1, 2} e A = {s ∈ Ω : X(s) ∈ B} = X −1 (B). Então A e B

são equivalentes e P (B) = P (A).
Calculando P (X = 0), P (X = 1) e P (X = 2), temos

800 799
P (X = 0) = P (A1 ∩ A3 ) = P (A1 )P (A3 |A1 ) = . = 0, 886;
850 849

4
 P (X = 1) = P ((A1 ∩ A4 ) ∪ (A2 ∩ A3 )) = P (A1 ∩ A4 ) + P (A2 ∩ A3 ) =
800 50 50 800
= P (A1 )P (A4 |A1 ) + P (A2 )P (A3 |A2 ) = . + . = 0, 111;
850 849 850 849
50 49
P (X = 2) = P (A2 ∩ A4 ) = P (A2 )P (A4 |A2 ) = . = 0, 003.
850 849

Assim, temos a função de probabilidade,

x 0 1 2

p(x) 0,886 0,111 0,003

Consequentemente,

F (0) = P (X ≤ 0) = 0, 886;

F (1) = P (X ≤ 1) = 0, 111 + 0, 886 = 0, 997;

F (2) = P (X ≤ 2) = 1.

A função de ditribução acumulativa para este exemplo é:




 0 ; x<0


 0, 886 ; 0 ≤ x < 1
F (x) =


 0, 997 ; 1 ≤ x < 2

1 ; 2<x



Note que F (x) está denida para todo x, de −∞ < x < ∞, e não somente para 0, 1 e 2.
Nos exemplos até agora, a f.d.a origina-se da f.p. tal processo pode ser revertido para se obter

a f.p da f.d.a sempre que esta última função estiver disponível, p.

Exemplo 11 Determine a f.p de X : Ω → {−2, 0, 2}, a partir da seguinte f.d.a




 0 ; x < −2


 0, 2 ; −2 ≤ x < 0
F (x) =


 0, 7 ; 0 ≤ x < 2

 1 ; 2≤x


Solução:
X
0, 2 = F (−2) = p(y) = p(−2) ⇒ p(−2) = 0, 2;
y:y≤−2
X
0, 7 = F (0) = p(y) = p(0) + p(−2) = p(0) + 0, 2 ⇒ p(0) = 0, 7 − 0, 2 = 0, 5;
y:y≤0
X
1 = F (2) = p(y) = p(2) + p(0) + p(−2) = 0, 7 ⇒ p(2) = 0, 5 + 0, 2 + p(−2) ⇒ p(2) = 0, 3.
y:y≤2

5
Assim temos a f.p. de X:

X -2 0 2 soma

P (x) 0,2 0,5 0,3 1

Em forma geral, temos o seguinte teorema.

Teorema 12 Seja X uma v.a.d com valores possíveis x1 < x2 < . . . , com f.d.a F (x) então tem-se

p(x1 ) = F (x1 )

p(xj ) = P (X = xj ) = F (xj ) − F (xj−1 ), j > 1.

Demonstração:
X
Por denição, F (xj ) = p(xj ) = p(x1 ) + p(x2 ) + . . . p(xj−1 ) + p(xj ) e
i≤j

X
F (xj−1 ) = p(xj ) = p(x1 ) + p(x2 ) + . . . p(xj−1 ) + p(xj−1 ).
i≤j−1

Assim, F (xj ) − F (xj−1 ) = p(xj ).

1.1 Valor Esperado X

Denição 13 Seja X uma v.a discreta com conjuntos de valores possíveis RX = X(Ω) =
{x1 , x2 , . . . , xn } ou {x1 , x2 , . . . , xn , . . . } e f.p. p(x).
O valor esperado ou valor médio, denotado por E(X) ou µX ou simplesmente µ, é

X X
E(X) = µX = xi .p(xi ) = xp(x).
i x∈RX

Exemplo 14 Vamos a considerar uma universidade com 15000 alunos e X = quantidade de

cursos em que o aluno selecionado aleatoriamente estava matriculado. A f.p. de X é mostrada a

seguir. Temos que:

X 1 2 3 4 5 6 7

p(x) 0,01 0,03 0,13 0,25 0,39 0,17 0,02

Alunos Matriculados 150 450 1950 3750 5850 2550 300

X
µ = xi .p(xi ) = 1.p(1) + 2.p(2) + . . . + 7.p(7)
i
= 1.0, 01 + 2.0, 03 + . . . + 7.0, 02
= 0, 01 + 0, 06 + 0, 39 + 1, 00 + 1, 95 + 1, 02 + 0, 14 = 4, 57.

Se imaginamos que a população seja formado por valores de X , {1, 2, . . . , 7}, então µ = 4, 57 é a

média populacional.

6
Embora o valor esperado seja uma medida de tendência central da distribução, isso não signica

que µ venha a ocorrer como algum resultado elementar.

Exemplo 15 Seja X o número de entrevistas pelas quais um aluno passa antes de conseguir um

emprego, com f.p

(
k
x2
x = 1, 2, 3, . . .
p(x) =
0 caso contrário
P∞ 2)
em que k é escolhido de modo que x=1 (k/x = 1. Lembremos que em séries innitas é demon-
∞
P∞ 1
X 1 π2 6
strado que x=1 x2 < ∞, além disso, posse vericar que = . Assim k= π2
.
x2 6
x=1
O valor esperado de X é

∞ ∞
X k X1
µ = E(X) = x. 2 = k .
x x
x=1 x=1

P∞ 1
Temos que a série harmonica x=1 x = ∞, tem-se E(X) não é nito, neste caso, porque p(x)
não decresce tão rapidamente quando x aumenta. Os estatísticos dizem que a distribução de

probabilidade de X possui cauda pesada.

1.2 Valor Esperado de uma Função

Dado uma v.a X e uma função h : D → R, RX ⊂ D, podemos obter uma nova v.a

Y = h ◦ X = h(X).

Agora queremos calcular P (Y = y) em vez de P (X = x).

Proposição 16 Suponha que pX (x) = P (X = x) é uma f.p de um v.a discreta X e seja Y =

h(X). Então,
X
pY (y) = P (Y = y) = p(x).
h(x)=y

Demonstração:
X
pY (y) = P (Y −1 (y)) = P ((h ◦ X)−1 (y)) = P (X −1 (h−1 (y))) = PX (h−1 (y)) = p(x).
h(x)=y

Exemplo 17 Suponha que o número de carros X que passam por um lava-rápido entre 16h e

17h, numa sexta-feira ensolarada, tenha a seguinte distribução de probabilidade:

x 4 5 6 7 8 9 soma

pX (x) 1/12 1/12 1/4 1/4 1/6 1/6 1

Seja Y = h(X) = 2X − 1 a quantia (em dólares) paga ao atendente para ese período em

particular. Calcular a f.p de Y.

7
Solução: Seja y = h(x) = 2x = 1 e Y = h(X). Assim, usando a Proposição 16, temos

X X
pY (y) = p(x) = p(x)
h(x)=y 2x−1=y

. Logo,

y 7 9 11 13 15 17 soma
(2)
pY (y) 1/12 1/12 1/4 1/4 1/6 1/6 1

Agira

Proposição 18 Se a variável aleatória X tem um conjunto de possíveis valores RX = {x1 , x2 , . . . , xn }

ou RX = {x1 , x2 , . . . , xn , . . . , } e f.p. p(x). O valor esperado ou valor médio de qualquer função

Y = h(X), denotada por E(X) ou µh(X) é calculado como

X X
E(Y ) = E[h(X)] = h(xi ).p(xi ) = h(x)p(x).
i x∈RX

Exemplo 19 Usando os dados do Exemplo 17, calcular E(Y ).

Solução: Pela Proposição 18, o atendente pode esperar receber

9
X
E(Y ) = E(h(X)) = E(2X − 1) = (2xi − 1)p(xi )
i=4

1 1 1 1 1 1 152
= 7. + 9. + 11. + 13. + 15. + 17. = = 12, 6667.
12 12 4 4 6 6 12

Proposição 20 Considere X uma v.a. Então:

E(aX + b) = aE(X) + b .

Exemplo 21 Considere o exemplo 17, usando a proposição anterior. Temos

 
82
E(h(x)) = E(2X − 1) = 2E(X) − 1 = 2 − 1 = 12, 6667.
12

1.3 Variância de X
Usaremos a variância de X para avaliar o valor da variabilidade (a distribução) de X, do
2
mesmo modo que s foi analisado para medir a variabilidade de uma amostra.

Denição 22 Considerando que X tenha f.p p(x) e valor esperado µ, então, a variância de X,
denotada por V (X) 2
ou σX , ou simplesmente σ2, é

8
 X X
V (X) = (xi − µ)2 .p(xi ) = (x − µ)2 .p(x) = E[(X − µ)2 ].
i x∈RX

O Desvio Padrão (DP, σ) de X é

q
σX = 2 .
σX

Exemplo 23 Uma videoteca tem um limite máximo de seis vídeos que podem ser emprestados por

um indivíduo em uma visita. Considere apenas os que pegaram vídeos emprestados e considere X
a quantidade de vídeos emprestados para indivíduos selecionados aleatoriamente e a f.p de X é:

X 1 2 3 4 5 6

p(x) 0,30 0,25 0,15 0,05 0,10 0,15

Solução: Pode-se ver que µ = 2, 85 (exercício). A variância e X é

6
X
V (X) = σ 2 = (xi − 2, 85)2 .p(xi )
i=1

= (1 − 2, 85)2 .0, 30 + (2 − 2, 85)2 .0, 25 + . . . + (6 − 2, 85)2 .0, 15 = 3, 2275.

√
Logo o desvio padrão é σ = 3, 2275 = 1, 800. Quando a f.p p(x) especica um modelo

matemático de distribução dos valores da população, ambos σ2 e σ medem o espalhamento dos

2
valores na população; σ é a variância populacional e σ é o desvio padrão da populacional.

Proposição 24 (Importante)
" #
X
V (X) = σ 2 = p(xi )x2i − µ2 = E(X 2 ) − [E(X)]2 .
i

Exemplo 25 (Continuação o Ex. 23) Calcular V (X) usando a fórmula anterior tem-se

E(X) = 2, 85.

6
X
2
E(X ) = x2i .p(xi ) = 12 .(0, 30) + 22 .0, 25 + . . . + 62 .0, 15 = 11, 35.
i=1

Assim, σ 2 = 11, 35 − (2, 85)2 = 3, 2275.

1.4 Variância de uma função

Temos que:

X
2
V [h(X)] = σh(X) = {h(xi ) − E(h(X))}2 .p(xi ).
i

9
Proposição 26 Seja X uma v.a. Quando h(X) = aX + b tem-se:

2
V (aX + b) = σaX+b = a2 .σX
2 e σaX+b = |a|.σX .

Em particular,

σaX = |a|.σX e σX+b = σX .

Exercício 27 Calcule a variância de h(X) do Exemplo 17, usando a Proposição 26.

Observação 28 Assista aos seguintes vídeos para complementar a teoria:

https: // www. youtube. com/ watch? v= Yi13sKCpkyc& ab_ channel= Prof. RafaelGrisi-UFABC
https: // www. youtube. com/ watch? v= uvieVZgKdQE& t= 387s& ab_ channel= Prof. RafaelGrisi-UFABC
https: // www. youtube. com/ watch? v= LM7oSUgmOLM& t= 355s& ab_ channel= Prof. RafaelGrisi-UFABC
https: // www. youtube. com/ watch? v= Nn_ bsXb0lcw& t= 2280s& ab_ channel= Prof. RafaelGrisi-UFABC
https: // www. youtube. com/ watch? v= uWPBNth-LhY& t= 986s& ab_ channel= Prof. RafaelGrisi-UFABC

Exercício 29 A função de probabilidade de uma v.a.d X é dada por

c
p(x) = , x = 0, 1, 2, 3, 4, . . . .
5x

(a) Ache o valor da constante c.

(b) Calcule a probabilidade de que X tome valores ímpares.

Exercício 30 um caminho para se chegar a uma festa pode ser dividido em três etapas. Sem

enganos o trajeto será feito em 1 hora. Se enganos acontecem na primeira etapa acrescente 10

minutos ao tempo do trajeto. Para enganos na segunda etapa, o acrécimo é 20 minutos e, para

a terceira , 30 minutos. Admita que a probabilidade de engano é 0, 1; 0,2 e 0,3 para a primeira,

segunda e terceira etapas, respectivamente.

1. Encontre a função de probabilidade do tempo total gasto no trajeto.

2. Qual a probabilidade de que o tempo necessário para percorrer o trajeto seja maior que 80

minutos?

3. Em média, quanto tempo é necessário para percorrer o trajeto? Com qual Variância?

4. Qual é a probabilidade de haver atraso na chegada à festa?

5. Determine a probabilidade de haver atraso, mas o atraso não passar de 40 minutos?

10