Variáveis aleatórias

Uma variável aleatória é uma função que associa elementos do

espaço amostral ao conjunto de números reais

Retirar duas peças de uma linha de produção e verificá-la quanto a

Variáveis aleatórias classificação: Boa, Defeituosa, Recuperável
x=0
S = { BB, BD, BR, DB, DD, DR, RB, RD, RR}
e A variável aleatória X: número de peças boas x=1

Distribuição de Probabilidade S = {RR, DD, DR, RD, BD, BR, RB, DB, BB}
x=2

X: x
0 1 2

Os possíveis resultados estão contidos em um conjunto enumerável

Variáveis aleatórias
Variáveis aleatórias
Uma variável aleatória é uma função que associa elementos do
espaço amostral ao conjunto de números reais
Discretas (v.a.d.)
Medir o tempo gasto de uma reação química Y: Tempo 1≤y≤3
Os possíveis resultados estão
contidos em um conjunto
S = { y Є R; y > 0}
enumerável
S = { y Є R; 1 ≤ y ≤ 3} = [1, 3]

Y Contínuas (v.a.c.)
1 3

Os possíveis resultados
Os possíveis resultados abrangem todo um intervalo de números reais abrangem todo um intervalo de
números reais

Variáveis aleatórias discretas

Variáveis aleatórias discretas
A distribuição de probabilidades de uma variável aleatória X é a
A variável aleatória X: número de peças boas descrição do conjunto de probabilidades associados aos possíveis
valores de X
S = {RR, DD, DR, RD, BD, BR, RB, DB, BB} Valores possíveis de x Probabilidades p(x)
x1 p(x1)
x2 p(x2)
X: x ... ...
0 1 2
xi p(xi)

Qual a probabilidade de cada valor da variável ocorrer? Se X for discreta, com possíveis valores { x1, x2, ...}, então a
distribuição de probabilidades de X pode ser apresentada pela
Valores possíveis de x Probabilidades p(x) chamada função de probabilidade p(xi), que associa a cada valor
Fictício
0 4/9 P(B) = 1/3 possível xi a sua probabilidade de ocorrência
p( xi )  0 ;
1 4/9 P(D) = 1/3 Uma função de probabilidade deve
2 1/9 P(R) = 1/3 satisfazer:  p( xi )  1 i

1

Uma função de probabilidade deve
satisfazer:
Valores possíveis de x Probabilidades
0 4/9
1 4/9
2 1/9
Valor esperado e variância
p( xi )  0 ;  p( xi )  1
i Com o objetivo de sintetizar características relevantes de uma
distribuição de probabilidades calcula-se:
p(x)
p( xi )  0 ; Média , valor esperado , esperança matemática ou média
4 4 1 populacional de uma variável aleatória X com distribuição de
i p( xi )  9  9  9  1 probabilidades

p(x) Valores possíveis de xi Probabilidades p(xi)

x1 p(x1)
4
9 x2 p(x2)
Gráfico ... ...
2
9
xn p(xn)

n
0
X
 X  E ( X )   xi  p( xi )
0 1 2 i 1

A variável aleatória X: número de peças boas
Valores possíveis de x Probabilidades
0 4/9
1 4/9
2 1/9
Variância de uma variável aleatória X, mede o grau de dispersão
(concentração) dos valores da variável em torno da média
p(x)
n
 X2  V ( X )  Var ( X )   xi  E ( X ) 2 p( xi )
i 1

 4  4  1 6 2  X2  V ( X )  Var ( X )  E ( X 2 )  E ( X ) 2 E ( X 2 )   xi2  p( xi )
 X  E ( X )   0    1     2      0,6667 peças boas i 1
p(x)  9  9  9 9 3
A variável aleatória X: número de peças boas
4
Fisicamente, o valor
 4  4  1 8
9

esperado corresponde ao Valores Probabilidades

possíveis de x
E ( X 2 )   0 2    12     2 2   
2
9 centro de gravidade da p(x)  9  9  9 9
0 4/9 2
distribuição de 6 4
0
probabilidades 1 4/9  X2    
0 1 2 x 2 1/9 9 9
E( X )  0,6667
8 4 4
Se repetirmos o experimento infinitas vezes, em média teríamos 0,6667 peças boas  X2  V ( X )  Var( X )     0,4444 (peças boas)2
(Observar duas peças de uma linha de produção ) 9 9 9

Desvio padrão de uma variável aleatória X, Apresente a função de probabilidade para as seguintes variáveis
aleatórias:
  DP( X )  Var ( X )
a-) Número de caras obtido no lançamento de duas moedas honesta (W).
A variável aleatória X: número de peças boas
a1) Obter a função de probabilidade.
4 2 a2) Obter a forma gráfica da distribuição de probabilidades.
  DP( X )    0,6667 peças boas
9 3 a3) Obter a esperança, a variância e o desvio padrão.
b-) Número de peças com defeito (Z) em uma amostra de três peças,
Algumas propriedades sorteadas aleatoriamente de um grande lote, em que 40% das peças
são defeituosas.
E(c )  c V (c )  0 b1) Obter a função de probabilidade.
E( X  c )  E( X )  c V ( X  c)  V ( X ) b2) Obter a forma gráfica da distribuição de probabilidades.
E (cX )  c  E ( X ) V (cX )  c 2 V ( X ) b3) Obter a esperança, a variância e o desvio padrão.

2
Um produto pode estar perfeito (B), com defeito leve (DL) ou com
defeito grave (DG). Seja a seguinte distribuição do lucro X (em R$), DISTRIBUIÇÕES DISCRETAS
por unidade vendida deste produto:
As distribuições de probabilidades podem ser consideradas modelos
Produto x p(x) probabilísticos para descrever situações reais

B 6 0,7 Cada modelo probabilístico apresenta uma série de pressuposições

que devem ser atendidas para que ele possa ser utilizado
DL 0 0,2
DG -2 0,1 DISTRIBUIÇÃO BINOMIAL
Uma variável aleatória X: “número de sucessos em n repetições de
a-) Calcular o valor esperado e a variância do lucro. um experimento aleatório” assumindo os valores x = 0, 1, 2, ...,
n com probabilidades P(X = x), tem distribuição binomial com
b-) Se, ao reduzir os desperdícios, foi possível aumentar uma
parâmetros n e  , sendo  a probabilidade de “sucesso” em
unidade no lucro de cada unidade vendida deste produto, qual é o cada repetição se:
novo valor esperado e a variância do lucro?
n
c-) E se o lucro duplicou, qual é o novo valor esperado e variância p( x )  P( X  x )     x (1   ) n x
do lucro?  x

As pressuposições, para que uma variável tenha distribuição Retirar quatro peças de um grande lote – classificadas em
binomial, devem ser: Boa = B e Defeituosa = D
Se X: número de peças defeituosas,
1-) Existem n repetições idênticas do experimento o “sucesso” é ter uma peça defeituosa
2-) Só há dois tipos de resultados possíveis em cada repetição Pressuposições

3-) As probabilidades  de “sucesso” e (1 - ) de “fracasso” 1-) Existem n repetições idênticas do experimento ( n = 4)

permanecem constantes em todas as repetições
2-) Só há dois tipos de resultados possíveis em cada repetição
4-) Os resultados das repetições são independentes uns dos (“sucesso” = peça defeituosa e “fracasso” = peça boa)
outros
3-) As probabilidades  de “sucesso” e (1 - ) de “fracasso”
Uma variável X com distribuição binomial é representada por: permanecem constantes em todas as repetições
X ~ b(n;  ) 4-) Os resultados das repetições são independentes uns dos
Com média e variância outros (as retiradas das peças são independentes)

E( X )  n   V ( X )  n    (1   )

“sucesso” = defeituosa   “ fracasso” = boa  (1   )

Se X: número de peças defeituosas, o “sucesso” é ter uma peça
defeituosa x
X: 0 1 2 3 4
x BBBB BBBD BBDD DDDB DDDD
X: 0 1 2 3 4

BBDD DDDB DDDD BBDB BDBD DDBD

BBBB BBBD
BDBD DDBD BDBB DBBD DBDD
BBDB
DBBD DBDD DBBB BDDB BDDD
BDBB
BDDB BDDD DBDB
DBBB
DBDB DDBB
DDBB p(x=0): (1   )  (1   )  (1   )  (1   )  (1   )4
p(x=1): (1   )  (1   )  (1   )  
“sucesso” = defeituosa   “ fracasso” = boa  (1   ) (1   )  (1   )    (1   )
4  (1   )3
(1   )    (1   )  (1   )
  (1   )  (1   )  (1   )

3
 “sucesso” = defeituosa   “ fracasso” = boa  (1   ) Retirar quatro peças de um grande lote – classificadas em
Boa = B e Defeituosa = D
x
X: 0 1 2 3 4 Se X: número de peças defeituosas,
BBBB BBBD BBDD DDDB DDDD o “sucesso” é ter uma peça defeituosa
Admitindo-se:
BDBD DDBD 1
BBDB “sucesso” = defeituosa   
BDBB DBBD DBDD 100
99
BDDB BDDD “ fracasso” = boa  (1   ) 
DBBB 100
DBDB X ~ b(n;  )
 4 1 x 1 4 x
DDBB   ( ) (1  )  p( x)  P( X  x)
p(x=0): 1 (1   )
0 4
 x  100 100 X ~ b(4; 0,01)
p(x=1): 4  (1   )3  4 x
 x   (1   )  p( x )  P( X  x )
4 x
Qual é a probabilidade de obter nenhuma peça defeituosa?
p(x=2): 6 2  (1   ) 2  
Qual é a probabilidade de obter uma peça defeituosa?
p(x=3): 4 3  (1   ) Qual é a probabilidade de obter 2 ou mais peças defeituosas?
p(x=4): 1  4 (1   )0 Qual o número médio de peças defeituosas?

1-) No lançamento de 3 moedas perfeitas, seja Y o números de caras,

DISTRIBUIÇÕES DISCRETAS
descrever a distribuição de probabilidade de Y. As distribuições de probabilidades podem ser consideradas modelos
probabilísticos para descrever situações reais
2-) No lançamento de 3 moedas sair cara, em cada moeda, possui
probabilidade de 1/3, sendo W o números de caras, descrever a DISTRIBUIÇÃO DE POISSON
distribuição de probabilidade de W.
Uma variável aleatória X: número de ocorrências “raras”, em um
intervalo de tempo, em uma superfície, em um volume.
3-) No lançamento de 3 moedas sair cara, em cada moeda, possui
probabilidade de 2/3, sendo Z o números de caras, descrever a Exemplos: - Número de itens defeituosos numa linha de produção,
distribuição de probabilidade de Z. durante um intervalo de tempo.
- Número de falhas de um computador, em um dia de
4-) Um fabricante de peças de automóvel garante que uma caixa de operação.
seu produto conterá no máximo duas com defeito. Se a caixa contém
- Número de animais selecionados em um programa de
10 unidades e o processo de fabricação produz 5% de peças
melhoramento.
defeituosas, qual a probabilidade de que uma caixa satisfaça a
- Número de bactérias por unidade de volume em um grande
garantia? Resp. 0,9884
recipiente.

Esta variável aleatória X, assumindo os valores x = 0, 1, 2, ... com e    x

probabilidades P(X = x), tem distribuição de Poisson com p ( x )  P( X  x ) 
parâmetro λ , sendo λ o número médio das ocorrências, se a x!
sua função de probabilidade for:
O número de itens descartados pelo controle de qualidade de uma
e    x
p ( x )  P( X  x )  e = 2,718 281 828 459 045 235 360 287
empresa é uma variável aleatória com média de 5 itens descartados
x! por dia. Qual a probabilidade de num determinado dia ocorrer:
Uma variável X com distribuição de Poisson é representada por:
Nenhum descarte, 1, 2, 3 ,4, 5, 6, 7, 8 descartes?
X ~ Poi( )
E se a média for 2 itens?
Com média e variância

E( X )  V ( X )  
n 
 x xn
e x  lim 1   ; e x  lim 1  n  n ; e x  
x
; x 1
n   n n 0  n  0 n!

4
 Variáveis aleatórias Se X for contínua, a distribuição de probabilidades de X pode ser
descrita pela chamada função de densidade de probabilidades f(x),
Discretas Os possíveis resultados estão sendo a probabilidade de X estar em um intervalo [a, b] dada pela
contidos em um conjunto integral de f(x) de a até b.
enumerável
f (x)
Contínuas Os possíveis resultados
abrangem todo um intervalo de
números reais

Medir o tempo gasto de uma reação química

S = { y Є R; 1 ≤ y ≤ 3} = [1, 3] a b x

Uma função de densidade de 1-) f ( x )  0

y probabilidade é uma função 

1 3
tal que: 2-) f ( x) d ( x)  1

Os possíveis resultados abrangem todo um intervalo de números reais b
3-) P( a  x  b)  a
f ( x) d ( x)

O tempo gasto, em minutos, para que uma reação química se realize Verificar se f (x) é de fato uma função densidade.
é uma variável aleatória contínua com a seguinte função de  x , se 1  x  3
1-) f ( x )  0 f ( x)   4
densidade: 0, caso contrário
 0, se x 1 f (x) é positiva para qualquer valor de x no intervalo de 1 a 3
  x , se 1  x  3
f ( x )   x 4 , se 1  x  3 ou f ( x )   4 minutos e igual a zero fora deste intervalo
 0, se x3 0, caso contrário  3
 2-)  f ( x) d ( x)  1   f ( x) d ( x)  1
 1

3
3 x 1 3 1  x2  19 1 1 8
 dx   xdx           1
x
Y y
4
3 c 1 4 4 1 4  2 1 42 2 4 2
4 v
1
4  Calcular a probabilidade da reação ocorrer entre 2 e 3 minutos.
1 3 X
3
3 x 1 3 1  x2  19 4 1 5 5
Verificar se f (x) é de fato uma função densidade. 
2 4
dx  
4 2
xdx            0,6250
4  2 2 4  2 2  4 2 8

Média , valor esperado , esperança matemática ou média A variância do tempo para que a reação química se realize:
populacional de uma variável aleatória contínua X
 X2  V ( X )  Var ( X )   x 2 f ( x) d ( x)  E ( X ) 2


 X  E ( X )   x f ( x) d ( x) 
 3
1  x4 
dx   X2  1 x dx     E ( X )
3 x 1 3 3
 X2   x 2
2
O tempo médio para que uma reação química se realize:
1 4 4 4  4 1
3
x 1 3 1  x 3  1  27 1  13
x dx   x 2 dx          2,1667 min
3
E( X )  
2
1  81 1   13  11
1 4 4 1 4  3 1 4  3 3  6        0,3056 (min)2
4  4 4   6  36
Variância de uma variável aleatória contínua X Desvio padrão de uma variável aleatória contínua X,

x  E ( X )   DP( X )  Var ( X )

  V ( X )  Var ( X )  
2
X
2
f ( x) d ( x)

O DP do tempo para que uma reação química se realize:
 X2  V ( X )  Var ( X )  E ( X 2 )  E ( X ) 2

E ( X 2 )   x 2 f ( x) d ( x) 11

  DP( X )  11 36   0,5528 min
6

5
Calcular a probabilidade da reação ocorrer em 1,5 minutos. Seja X uma variável aleatória contínua com a seguinte função :

1,5  x, se 0  x  1
x 1 1,5 1  x2  19 9 1 
dx   xdx          0  0
1,5
1, 5 4 4 1,5 4  2 1,5 4  8 8  4
f ( x )  2 - x, se 1  x  2
 0, caso contrário

P( a  X  b )  P( a  X  b ) 
 P( a  X  b )  P( a  X  b ) Pede-se:
a-) Verificar que f(x) é uma função de densidade
b-) Calcular P(0 < X < 5) Resp. 1,0000
c-) Calcular P(0 < X < 1) Resp. 1/2
d-) Calcular P(1/3 < X < 3/2) Resp. 59/72
e-) E(X) Resp. 1
f-) VAR(X) Resp. 1/6