Introducao

As variaveis aleiatorias discretas são um conceito fundamental na tioria da

probabilidades e estatisticas. Elas são utilizads pra modelar situacoes em que os
resultados possiveis são infinitos , enumeraveis e separadas por um intervalo discreto de
valores. Cada resultados possivel da variavel possui uma probabilidade associadas, o
que permite o que possamos calcular a probabilidade de um conjunto de sesultados.
Essas variaveis podem ser usadas em diversas aplicacoes , como em analise de dados
estatisticos , processo de amostragem e situacoes de eventos aleatorios. Exemplos , em
um expermentos em que se lancem moedas, podemos definir uma variavel aleiatoria
discretas x que representa o numeros de caras que iram a pareceer em um conjuntos de
lancamentos. Os valores possiveis de x seram 0, 1, 2, 3, 4,…….,n ( dependendo do
numeros de lancamentos ) e cada uma desses valores tem um probabilidades associadas
que pode ser calculada teoricamente ou empiricamente.
As variáveis aleatórias discretas também são usadas em modelos matemáticos e
estatísticos mais avançadas para descrever eventos complexos. Por exemplo, a
distribuição de poisson, que e uma distribuição de probabilidade discreta, e utilizada
para descrever a ocorrência de eventos raros em um intervalo dado de tempo ou Espaço.
Em conclusão, as variáveis aleiatorias discreta desempenham um papel importante em
teoria da probabilidade e esatisticas, e a sua compressão e essencial para um amplo
gama de aplicações em ciência, engenharia e finanças.
Neste capítulo iremos estudar modelos probabilísticos para variáveis aleatórias con-
tínuas, ou seja, variáveis para as quais os possíveis valores pertencem a um intervalo de
números reais. A definição dada no capítulo anterior, para v.a. discreta, deve ser modificada
como segue.

Definição. Uma função X, definida sobre o espaço amostral  e assumindo valores num
intervalo de números reais, é dita uma variável aleatória contínua.
No Capítulo 2 vimos alguns exemplos de variáveis contínuas, como o salário de
indivíduos, alturas etc. A característica principal de uma v.a. contínua é que, sendo
resultado de uma mensuração, o seu valor pode ser pensado como pertencendo a um
intervalo ao redor do valor efetivamente observado. Por exemplo, quando dizemos que a
altura de uma pessoa é 175 cm, estamos medindo sua altura usando cm como unidade de
medida e portanto o valor observado é, na realidade, um valor entre 174,5 cm e 175,5 cm.
Variaveis aleitarias descretas

Variaveis aleiatoras descretas são aquelas que podem assumir apenas um conjunto
finito ou inumeravel de valores distintos. Esses valores geralmente tem probabilidades
associada a eles, que pode ser expressa por meio de uma funcao de probalidades
descreta
Por exemplo
A variavel aleiatoria que representa um numero de carros em um lacanmentos de
moedas pode asssumir apeas dois valores 0 ou 1 a probabilidade de obter 0 carras e
de 50% e a probabilidade dse obter 1 carro e de 50% . essa funcao de probabilidade
discreta pode ser representada de varias formas , como uma tabela ou um grafico de
barras. Outro exemplo de variaveis aleiatoria discreta incluen o numero be filhos em
uma familha , a quantidade de chuva em um determinado dia , o numero de acerto em
um jogo de perguntas e respostas , entre outros.

Um empresário pretende estabelecer uma firma para montagem de um produto composto de

uma esfera e um cilindro. As partes são adquiridas em fábricas diferentes (A e B), e a
montagem consistirá em juntar as duas partes e pintá-las. O produto acabado deve ter o
comprimento (definido pelo cilindro) e a espessura (defi- nida pela esfera) dentro de certos
limites, e isso só poderá ser verificado após a mon- tagem. Para estudar a viabilidade de seu
empreendimento, o empresário quer ter uma idéia da distribuição do lucro por peça
montada.
Sabe-se que cada componente pode ser classificado como bom, longo ou curto,
conforme sua medida esteja dentro da especificação, maior ou menor que a especificada,
respectivamente. Além disso, foram obtidos dos fabricantes o preço de cada compo- nente
($5,00) e as probabilidades de produção de cada componente com as caracterís- ticas bom,
longo e curto. Esses valores estão na Tabela 6.1.
Se o produto final apresentar algum componente com a característica C (curto), ele será
irrecuperável, e o conjunto será vendido como sucata ao preço de $5,00. Cada componente
longo poderá ser recuperado a um custo adicional de $5,00. Se o preço de venda de cada
unidade for de $25,00, como seria a distribuição de freqüências da variável X: lucro por
conjunto montado?
 Exempos 1
Fábrica A Fábrica B
Produto
Cilindro Esfera
Dentro das especificações ............ bom (B) 0,80 0,70
Maior que as especificações ......... longo (L) 0,10 0,20
Menor que as especificações ........ curto (C) 0,10 0,10

Exemplo 2
Primeiramente, vejamos a construção do espaço amostral para a montagem dos conjuntos
segundo as características de cada componente e suas respectivas probabi- lidades. Como os
componentes vêm de fábricas diferentes, vamos supor que a classi- ficação dos cilindros e a
da esfera, segundo suas características, sejam eventos inde- pendentes.
Uma representação do espaço amostral em questão está apresentada na Tabela 6.2 e
foi obtida da Figura 6.1.

Diagrama em árvore para o Exemplo 6.1.

: Distribuição de probabilidade das possíveis composi- ções das

montagens.

Produto Probabilidade Lucro por montagem (X)

BB 0,56 15
BL 0,16 10
BC 0,08 –5
LB 0,07 10
LL 0,02 5
LC 0,01 –5
CB 0,07 –5
CL 0,02 –5
CC 0,01 –5

A última coluna da Tabela 6.2 foi construída com base nas informações sobre pre- ços.
Por exemplo, obtendo uma montagem LB (cilindro longo e esfera boa), do preço de venda
$25,00 devemos descontar: $10,00 dos custos dos componentes e $5,00 para recuperar o
cilindro longo. Portanto, o lucro X desse conjunto será $10,00. Verifique os lucros das
demais montagens.
Com os dados da Tabela 6.2, vemos que X pode assumir um dos seguintes valores: 15,
se ocorrer o evento A1 = {BB};
 10, se ocorrer o evento A2 = {BL, LB}; 5, se
ocorrer o evento A3 = {LL};
–5, se ocorrer o evento A4 = {BC, LC, CB, CL, CC}.
Cada um desses eventos tem uma probabilidade associada, ou seja,
P (A1) = 0,56, P(A2) = 0,23,

P (A3) = 0,02, P(A4) = 0,19,

o que nos permite escrever a função (x, p (x)) da Tabela 6.3, que é um modelo teórico para a
distribuição da variável X, que o empresário poderá usar para julgar a viabilida- de
econômica do projeto que ele pretende realizar. Aqui, x é o valor da v.a. X e p(x) é a
probabilidade de X tomar o valor x. Voltaremos a esse problema mais adiante.

Tabela 6.3: Distribuição da v.a. X.

x p(x)
15 0,56
10 0,23
5 0,02
–5 0,19
Total 1,00

A função (x, p (x)) é chamada função de probabilidade da v.a. X. Esquematicamente

teremos a situação da Figura 6.2.
: Função de probabilidade da

v.a. X = lucro por montagem

Exemplo 6.2. Se considerarmos Y como sendo a variável “custo de recuperação de cada

conjunto produzido”, verificaremos que Y irá assumir os valores
0, se ocorrer o evento B1 = {BB, BC, LC, CB, CL, CC}; 5, se
ocorrer o evento B2 = {BL, LB};
10, se ocorrer o evento B3 = {LL}.
A função de probabilidade da v.a. Y está representada na Tabela 6.4 e a Figura 6.3
 representa a situação esquematicamente.

Figura 6.3: Função de probabilidade da

v.a. Y = custo de recuperação

Tabela 6.4: Distribuição da v.a. Y.

y p(y)
0 0,75
5 0,23
10 0,02
Total 1,00

Deduz-se do exposto que uma v.a. X, do tipo discreto, estará bem caracterizada se
indicarmos os possíveis valores x1, x2, ..., xn, ... que ela pode assumir e as respec- tivas
probabilidades p(x1), p(x2), ..., p(xn), ..., ou seja, se conhecermos a sua função de
probabilidade (x, p(x)). Também usaremos a notação p(x) = P(X = x).
Em algumas situações, a determinação da função de probabilidade (f.p.) é bem mais
simples. Isso pode ser verificado pelos dois exemplos seguintes.

Exemplo 6.3. Voltemos à situação do Exemplo 5.10, em que consideramos duas extra- ções,
sem reposição, de uma urna contendo duas bolas brancas e três bolas vermelhas. Definamos a
v.a. X: número de bolas vermelhas obtidas nas duas extrações. Obtemos a Tabela 6.5 e a
Figura 6.4.

Tabela 6.5: Extrações sem reposição de urna com duas bolas

brancas e três bolas vermelhas.

Resultados Probabilidades X
BB 1/10 0
BV 3/10 1
VB 3/10 1
VV 3/10 2

Fonte: Figura 6.4.

Figura 6.4: Diagrama em árvore

para o Exemplo 6.3.

 Vemos, pois, que a cada resultado do experimento está associado um valor da v.a.
X, a saber, 0, 1 ou 2.

Temos que X = 0, com probabilidade 1/10, pois X = 0 se, e somente se, ocorre o resultado
BB; X = 1 com probabilidade 3/10 + 3/10 = 6/10, pois X = 1 se, e somente se, ocorrem os
resultados BV ou VB, que são mutuamente exclusivos; finalmente, X = 2 com probabilidade
3/10, pois X = 2 se, e somente se, ocorre o resultado VV. Resumidamente,
p(0) = P(X = 0) = P(BB) = 1/10,

p(1) = P(X = 1) = P(BV ou VB) = 6/10,

p(2) = P(X = 2) = P(VV ) = 3/10.

Na Tabela 6.6 apresentamos a distribuição de probabilidades da v.a. X.

Tabela 6.6: Distribuição de probabilidades da v.a.

X = número de bolas vermelhas.

x p(x)
0 1/10
1 6/10
2 3/10

Valor Médio de uma Variável Aleatória

O valor medio de um valoriavel aleatorio, tabem conhecido como esperaca matematica

ou valor esperanca, e um meio de que calcula a media dos possiveis valores que esses
variavel pode assumer, ponderando cada valor pela sua espetiva probabilidade de
acorrer.
Para uma variavel aleiatoria distinta x o valor meidio e calculado pela forma;

E (x)E(xi*p(x=xi)

Onde xi sao os valores que x pode assumir e p(x=xi) e a probabilidade de x assumir o

valor xi.
Para uma variavel aleiatoria continua x, o valor medio a calcilar pela intregal da funcao
de densidade de probabilidade f (x) ponderadapelo valor de x.

E (x) = a intregal (x)dx de -infinito a +infinito

O valor medio de uma variavel aleatoria e uma media importante para avaliar a
tendencia central da distribuicao dos seus valores possiveis e serve como base para
calculo de outra medidas de interesse, como a variancia e o desvia padrao.

Exemplo 6.5. Uma pergunta que logo ocorreria ao empresário do Exemplo 6.1 é qual o lucro
médio por conjunto montado que ele espera conseguir. Da Tabela 6.3, observamos que 56%
das montagens devem produzir um lucro de 15 reais, 23% um lucro de dez reais, e assim
por diante. Logo, o lucro esperado por montagem será dado por
lucro médio = (0,56)(15) + (0,23)(10) + (0,02)(5) + (0,19)(–5) = 9,85.
 Isto é, caso sejam verdadeiras as suposições feitas para determinar a distribuição
da v.a., o empresário espera ter um lucro de 9,85 reais por conjunto montado.

Definição. Dada a v.a. X discreta, assumindo os valores x1, ..., xn, chamamos valor médio ou
esperança matemática de X ao valor

E(X ) = Σ xi P (X = xi) = Σ xi pi.

Definição. Chamamos de variância da v.a. X o valor

O desvio padrão de X, DP(X ), é definido como a raiz quadrada positiva da variância.

Exemplo 6.6. Deixamos a cargo do leitor verificar que, no caso do problema do em- presário,
teremos:
(i) Var(X ) = 57,23;
(ii) DP(X ) = 7,57;

gráfico de (x, p(x)): Figura

Observação. Até agora, consideramos o caso em que a v.a. X pode assumir um núme- ro
finito de valores. Mas uma v.a. discreta X pode assumir um número infinito, porém
enumerável, de valores, x1, ..., xn, ..., com probabilidades
 p1, ..., pn, ..., tal que
cada p > 0 e a soma de todos os p seja 1, ou seja, Σ p = 1. Veja o Problema 3. Nesse
i i i=1 i

caso, a definição de esperança deve ser modificada. A soma na expressão (6.1) é uma
“soma infinita”, que temos de supor que seja “convergente”.

6.4 Algumas Propriedades do Valor Médio

Exemplo 6.7. Suponha que todos os preços determinados pelo empresário do Exem- plo
6.1 estivessem errados. Na realidade, todos os valores deveriam ser duplicados, isto é,
custos e preços de venda. Isso corresponde à transformação Z = 2X. As probabi- lidades
associadas à v.a. Z serão as mesmas da v.a. X, pois cada valor de X irá corresponder a um
único valor de Z. Na Tabela 6.9 temos a distribuição de Z.
O valor médio da v.a. Z é obtido por
E (Z ) = Σzi p(zi ) = Σ(2xi )p(xi ) = 19,70.

Suponha, agora, que queiramos a distribuição da v.a. W = X 2. Baseados na Tabela 6.3,

obtemos a Tabela 6.10.

Tabela 6.9: Distribuição da variável aleatória Z = 2X.

x z = 2x p(z) = p(x) z · p(z)

15 30 0,56 16,80
10 20 0,23 4,60
5 10 0,02 0,20
–5 –10 0,19 –1,90
Total — 1,00 19,70

Tabela 6.10: Distribuição da variável aleatória W = X 2.

w p(w) w · p(w)
225 0,56 126,00
100 0,23 23,00
25 0,21 5,25
Total 1,00 154,25

Fonte: Tabela 6.3.

Observe que o evento {W = 25} ocorre quando {X = 5 ou X = –5}, portanto

P(W = 25) = P(X = 5) + P(X = –5) = 0,02 + 0,19 = 0,21. Segue-se que a média de W é

E(W ) = Σwi p(wi ) = (225)(0,56) + (100)(0,23) + (25)(0,21)

= (225)(0,56) + (100)(0,23) + {(25)(0,02) + (25)(0,19)}
= Σx 2p(x ) = 154,25.
i i

Quanto às esperanças de Z e W, transformadas de X, é fácil ver que elas podem ser escritas
através da f.p. de X.

Definição. Dada a v.a. discreta X e a respectiva função de probabilidade p(x), a espe- rança
matemática da função h(X ) é dada por
E [h(X )] = Σh(xi )p(xi ). (6.3)

As seguintes propriedades podem ser facilmente demonstradas (veja o Problema 45):

(a) Se h(X ) = aX + b, onde a e b são constantes, então
E(aX + b) = aE(X ) + b, (6.4)
 Var(aX + b) = a2Var(X ). (6.5) (b)
Var(X ) = E(X ) – [(E(X )] = Σi x p(x ) –i [ Σ
2 2
i
2
i
x p(x )] . 2
(6.6)
A fórmula (6.6) deve ser usada para facilitar o cálculo da variância.

Observação. A propriedade (6.4) não vale, em geral, para funções não-lineares. Veja
o Problema 58.

Exemplo 6.8. Usando os resultados dos exemplos 6.5 e 6.7, obtemos

Var(X ) = 154,25 – (9,85)2 = 57,23.

Observação. Usaremos os símbolos abaixo para indicar a média e a variância de uma v.a. X: E(X
) = (X ),
Var(X ) =  2(X ),

ou, simplesmente,  e 2, respectivamente, se não houver possibilidade de confusão

6.4 Função de Distribuição Acumulada

No Capítulo 2 demos a definição de função de distribuição acumulada ou empírica para
um conjunto de n observações. O equivalente teórico para variáveis aleatórias é
definido a seguir.

Definição. Dada a variável aleatória X, chamaremos de função de distribuição acumu-

lada (f.d.a.), ou simplesmente função de distribuição (f.d.) F(x) à função
F ( x ) = P ( X “ x ). (6.7)
Observe que o domínio de F é todo o conjunto dos números reais, ao passo que o
contradomínio é o intervalo [0,1].

Exemplo 6.9. Voltando ao problema do empresário e usando a f.p. de X definida na Tabela

6.3, a f.d.a. de X será dada por

⎧0, se x < –5
⎪0,19, se –5 “ x < 5
F(x) = ⎨0,21, se 5 “ x < 10
⎪0,44, se 10 “ x < 15
⎩1,se x “ 15
cujo gráfico está na Figura 6.8.

Figura 6.8: f.d.a. para a v.a. X = lucro por

montagem.
 Observe que P(X = xi) é igual ao salto que a função F(x) dá no ponto xi; por exemplo,
P(X = 10) = 0,23 = F(10) – F(10 –). De modo geral, P(X = xi) = F(xi) – F(xi –), onde
lembramos que F(a–) = limx → a – F(x). Observe, também, que o conhecimento de F(x) é
equivalente ao conhecimento da f.p. de X.

6.5 Alguns Modelos Probabilísticos para Variáveis Aleatórias

Discretas
Algumas variáveis aleatórias adaptam-se muito bem a uma série de problemas
práticos. Portanto, um estudo pormenorizado dessas variáveis é de grande importân- cia
para a construção de modelos probabilísticos para situações reais e a conseqüente estimação
de seus parâmetros. Para algumas dessas distribuições existem tabelas que facilitam o
cálculo de probabilidades, em função de seus parâmetros. Nesta seção iremos estudar
alguns desses modelos, procurando enfatizar as condições em que eles aparecem, suas
funções de probabilidade, parâmetros e como calcular probabilidades.

6.5.1 Distribuição Uniforme Discreta

Este é o caso mais simples de v.a. discreta, em que cada valor possível ocorre com a
mesma probabilidade.

Definição. A v.a. discreta X, assumindo os valores x1, ..., xk, tem distribuição uniforme
se, e somente se,

1
P (X = x ) = p(x ) = p = ,

para todo i = 1, 2, ..., k. É fácil verificar que

e que a função de distribuição acumulada é dada por

onde n(x) é o número de xi “ x (veja a Figura 6.9).

Figura 6.9: Distribuição uniforme discreta.

Exemplo 6.10. Seja X a v.a. que indica o “número de pontos marcados na face superior de
um dado”, quando ele é lançado. Obtemos na Tabela 6.11 a distribuição de X. Temos,
também,

E(X ) = 1/6 {1 + 2 + 3 + 4 + 5 + 6} = 21/6 = 3,5, Var(X )

= 1/6 {(1 + 4 + ... + 36) – (21)2/6} = 35/12 = 2,9.

Tabela 6.11: Número de pontos no lançamento de um dado.

x 1 2 3 4 5 6 Total
p(x) 1/6 1/6 1/6 1/6 1/6 1/6 1,0

6.5.2 Distribuição de Bernoulli

Muitos experimentos são tais que os resultados apresentam ou não uma determina- da
característica. Por exemplo:
(1) uma moeda é lançada: o resultado ou é cara, ou não (ocorrendo, então, coroa);
(2) um dado é lançado: ou ocorre face 5 ou não (ocorrendo, então, uma das faces 1, 2,
3, 4 ou 6);
(3) uma peça é escolhida ao acaso de um lote contendo 500 peças: essa peça é
defeituosa ou não;
(4) uma pessoa escolhida ao acaso dentre 1.000 é ou não do sexo masculino;
(5) uma pessoa é escolhida ao acaso entre os moradores de uma cidade e verifica- se
se ela é favorável ou não a um projeto municipal.
Em todos esses casos, estamos interessados na ocorrência de sucesso (cara, face 5 etc.)
ou fracasso (coroa, face diferente de 5 etc.). Essa terminologia (sucesso e fracas- so) será
usada freqüentemente.
Para cada experimento acima, podemos definir uma v.a. X, que assume apenas dois
valores: 1, se ocorrer sucesso, e 0, se ocorrer fracasso. Indicaremos por p a proba- bilidade de
sucesso, isto é, P(sucesso) = P(S) = p, 0 < p < 1.

Definição. A variável aleatória X, que assume apenas os valores 0 e 1, com função de

probabilidade (x, p(x)) tal que

p(0) = P (X = 0) = 1 – p,

p(1) = P (X = 1) = p,

é chamada variável aleatória de Bernoulli.

Então, segue-se facilmente que

E(X ) = p; (6.12)

Var(X ) = p – p2 = p(1 – p), (6.13)

⎧0, se x < 0
F(x) = ⎨1 – p, se 0 “ x < 1

⎩1, se x “ 1.
 Na Figura 6.10 temos representadas as f.p. e f.d.a. de X.

p(x) F(x)
1

1– p 1– p

0 1 x 0 1 x
(a)(b)

Exemplo 6.11. Vamos supor o caso do experimento (2). Supondo o dado perfeito, teremos
P(X = 0) = 5/6, P(X = 1) = 1/6,

E(X ) = 1/6, Var(X ) = (1/6) (5/6) = 5/36.

Observação. Experimentos que resultam numa v.a. de Bernoulli são chamados ensaios de
Bernoulli. Usaremos a notação

X ~ Ber(p)

para indicar uma v.a. com distribuição de Bernoulli com parâmetro p.

6.5.3 Distribuição Binomial

Imagine, agora, que repetimos um ensaio de Bernoulli n vezes, ou, de maneira
alternativa, obtemos uma amostra de tamanho n de uma distribuição de Bernoulli.
Suponha ainda que as repetições sejam independentes, isto é, o resultado de um en- saio
não tem influência nenhuma no resultado de qualquer outro ensaio. Uma amostra particular
será constituída de uma seqüência de sucessos e fracassos, ou, alternativa- mente, de uns e
zeros. Por exemplo, repetindo um ensaio de Bernoulli cinco vezes (n = 5), um particular
resultado pode ser FSSFS ou a quíntupla ordenada (0, 1, 1, 0, 1).
Usando a notação da seção 6.6.2, com P(S) = p, a probabilidade de tal amostra será
(1 – p)pp (1 – p)p = p3(1 – p)2.

O número de sucessos nessa amostra é igual a 3, sendo 2 o número de fracassos. Considere

agora as seguintes situações, obtidas de (1) a (5) da seção anterior:
(1’) uma moeda é lançada três vezes; qual é a probabilidade de se obter duas caras? (2’)
um dado é lançado cinco vezes; qual é a probabilidade de se obter face 5 no
máximo três vezes?

) dez peças são extraídas, ao acaso, com reposição, de um lote contendo 500 peças;
qual é a probabilidade de que todas sejam defeituosas, sabendo-se que 10% das peças
do lote são defeituosas?
(4’) cinco pessoas são escolhidas ao acaso entre 1.000; qual é a probabilidade de que
duas sejam do sexo masculino?
 (5’) sabe-se que 90% das pessoas de uma cidade são favoráveis a um projeto mu- nicipal.
Escolhendo-se 100 pessoas ao acaso entre os moradores, qual é a probabilidade de
que pelo menos 80 sejam favoráveis ao projeto?
Observe que, nos casos (4’) e (5’), o fato de estarmos extraindo indivíduos de um
conjunto muito grande implica que podemos supor que as extrações sejam praticamen- te
independentes.

Exemplo 6.12. Consideremos a situação (1’), supondo que a moeda seja “honesta”, isto é,
P(sucesso) = P(cara) = 1/2. Indiquemos o sucesso (cara) por S e fracasso (co- roa), por F.
Então, estamos interessados na probabilidade do evento
A = {SSF, SFS, FSS},

ou, em termos da notação anterior, na probabilidade de

A = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}.
É claro que P(A) = P(SSF) + P(SFS) + P(FSS) e, devido à independência dos ensaios,

1 1 1
P(SSF) = × × = P(SFS ) = P(FSS ),

e, portanto,

Se a probabilidade de sucesso for p, 0 < p < 1, e P(F) = 1 – p = q, então

P (SSF ) = p × p × q = p2 × q = P(SFS ) = P (FSS ),

de modo que

Figura 6.11: Probabilidades binomiais para n = 3 e P (S) = p

 Tabela 6.12: Probabilidades binomiais para n = 3 e P(S) = p.

Número de sucessos Probabilidades p = 1/2

0 q3 1/8
1 3pq2 3/8
2 3p2q 3/8
3 p3 1/8

6.5.4 Distribuição Hipergeométrica

Essa distribuição é adequada quando consideramos extrações casuais feitas sem reposi- ção
de uma população dividida segundo dois atributos. Para ilustrar, considere uma população de N
objetos, r dos quais têm o atributo A e N – r têm o atributo B. Um grupo de n elementos é
escolhido ao acaso, sem reposição. Estamos interessados em calcular a proba- bilidade de que
esse grupo contenha k elementos com o atributo A. Pode-se ver facilmente, utilizando o princípio
multiplicativo, que essa probabilidade é dada por

onde max(0, n — N + r) “ k “ min(r, n).

Os pares (k, pk) constituem a distribuição hipergeométrica de probabilidades. Se defi-

nirmos a v.a. X como sendo o número de elementos na amostra que têm o atributo A, então
P(X = k) = pk.

Exemplo 6.15. Em problemas de controle de qualidade, lotes com N itens são examinados. O
número de itens com defeito (atributo A), r, é desconhecido. Colhemos uma amostra de n
itens e determinamos k. Somente para ilustrar, suponha que num lote de N = 100 peças, r =
10 sejam defeituosas. Escolhendo n = 5 peças sem reposição, a probabilidade de não se obter
peças defeituosas é

6.5.1 Distribuição de Poisson

A Tabela I fornece os valores de b(k; n, p) para n = 2, ..., 19. Para n grande e p
pequeno, podemos aproximar essas probabilidades por

As probabilidades (6.22), calculadas agora para todos os valores inteiros não ne- gativos
k = 0, 1, 2, ..., constituem a chamada distribuição de Poisson, tabelada na Tabela II, para
alguns valores de  = np. A aproximação

Exemplo. Consideremos aproximar b(2; 1.000, 0,0001), usando (6.23). Temos que np
= 0,1, logo

Observemos que as probabilidades (6.23) estão definidas para qualquer inteiro não
negativo k. Contudo, observando a Tabela II, vemos que essas probabilidades decaem à
medida que k cresce e, normalmente, são desprezíveis para k maior do que 5 ou 6.
A distribuição de Poisson é largamente empregada quando se deseja contar o número de
eventos de certo tipo que ocorrem num intervalo de tempo, ou superfície ou volume. São
exemplos:
(a) número de chamadas recebidas por um telefone durante cinco minutos;
(b) número de falhas de um computador num dia de operação; e
(c) número de relatórios de acidentes enviados a uma companhia de seguros numa semana.
De modo geral, dizemos que a v.a. N tem uma distribuição de Poisson com parâmetro
 > 0 se

6.6 O Processo de Poisson

No Exemplo 6.17 acima vimos uma aplicação importante da distribuição de Poisson ao
problema da desintegração radioativa. Lá tratamos da emissão de partículas alfa em intervalos de
7,5 segundos. Ou seja, estamos contando o número de ocorrências de um evento ao longo do
tempo. Na realidade, consideramos o que se chama um processo estocástico. Designando-se
por Nt o número de partículas emitidas no intervalo [0, t), obteremos o que se
chama de processo de Poisson, para todo t “ 0. Nesta seção iremos partir de algumas suposi-
ções que consideramos plausíveis sobre tal processo e mostrar que a distribuição da variável
aleatória Nt, para cada t = 0, é dada pela fórmula (6.25).
As suposições que iremos admitir como válidas são as seguintes.
(S1) N0 = 0, ou seja, o processo começa no instante zero com probabilidade um:
P(N0 = 0) = 1.
(S2) Os números de eventos em intervalos de tempo disjuntos são v.a. independen- tes.
Considere 0 < t < t + s, Nt como antes e Nt+s – Nt o número de eventos no intervalo [t, t
+ s). Então, estamos supondo que as v.a. Nt e Nt+s – Nt são inde-
pendentes. Dizemos que o processo tem incrementos independentes.
(S3) Considere os intervalos [0, t ) e [s, s + t ), de mesmo comprimento t e as v.a. Nt como
antes e Mt = número de eventos no intervalo [s, s + t ). Então, para todo s > 0, as
v.a. Nt e Mt têm a mesma distribuição de probabilidades. Ou seja, a distribuição do
número de eventos ocorridos num intervalo depende somente
do comprimento do intervalo, e não de sua localização. Dizemos que o pro-
cesso tem incrementos estacionários.
 (S4) Para h suficientemente pequeno, P(Nh = 1) = h, com  > 0, constante. Ou seja,
num intervalo pequeno, a probabilidade de ocorrência de um evento é proporcional
ao comprimento do intervalo.
(S5) Para h como em (S4), P(Nh “ 2) = 0. Isso nos diz que a probabilidade de se ter
dois ou mais eventos num intervalo suficientemente pequeno é desprezível.
Considere o intervalo [0, t) e o divida em subintervalos de comprimento t/n, como na
Figura 6.13.

: Divisão de intervalo [0, t ) em subintervalos de comprimentos t/n.

Chamemos de Y a v.a. que dá os números de subintervalos com um evento. Então, Y é uma

v.a. com distribuição binomial, de parâmetros n (número total de subintervalos) e p = P (um
evento) = (t/n). Para n grande, usando a aproximação da seção anterior, temos que essa variável
pode ser aproximada por uma v.a. com distribuição de Poisson com parâmetro np = n(t/n) = t.
Note que aqui usamos as suposições S2 (cada subintervalo contém um evento,
independentemente dos demais intervalos) e S3 (com a mesma probabilidade).
Pela suposição S5, a probabilidade de que cada subintervalo contenha dois ou
mais eventos tende a zero, quando n cresce. Logo, Nt é uma v.a. com distribuição de Poisson,
com parâmetro t.
Uma prova um pouco mais rigorosa, usando derivadas, pode ser dada. Veja Meyer (1965).

6.6Quantis
No Capítulo 3 estudamos os quantis associados a um conjunto de dados. Esses pode- riam
ser chamados de quantis empíricos, pois podemos agora considerar quantis associa- dos à
distribuição de uma v.a. discreta, os quais poderíamos denominar quantis teóricos.

Definição. O valor Q(p) satisfazendo

Os tipos de de variaveis aleiatorias discretas

Existem dois tipos de principais de variáveis aleatórias discretas;

1 Variaveis aleiatorias discretas finitas

São aquelas que podem assumir apenas um numero finito de valores distintos. Por
exemplo, o números de pontos quie um time pode marca em um jogo de basquete e um
variável aleiatorias discreta finita, pos o numero máximo de pontos que um time pode
marcar e limitado.
Alguns exemplo de variáveis aleiatorias discretas finitas incluem

-numeros de filhos em uma familha

-numeros de pares de sapatos que uma pessoa pssui
Números de votos de em um candidatos as eleições
2 variaveis aleitarias discretas infinitas
São aquelas que podem assumir um numero infinitos de valores distintos . por exemplo,
o números de vezes que uma determinada palavras aparece em um livro e uma variável
aleiatoria infinita , pos a palavra poide aparecer um numero infinitas de vezes no testo.
Alguns exemplos de variáveis aleiatorias discretas infinitas incluem
-numeros de clientes atendidos em uma loja em um dia
-numeros de falhas em uma linha de produção
-numeros de erros em um documentos

As carraterristicas de uma variáveis aleiatorias discretas

algumas das principais caracterisicas das variáveis aleiatorias discretas são;

1 ops valores possível que a variável pode assumir são discretos ( ou seja , são valores
separados e específicos em vez de um intervalo continuo de possibilidades)
2 as variáveis tem uma função de probabilidades discretas associadas a ela, que indica a
probabilidade de cada valor possível ser abservado,
3 o somatório de todas a probabilidades de cada valor possível deve ser igual a 1,
4 a media e a variância da variável aleatória podem ser calculada a partir da função de
probabilidade discreta ,
5. As variáveis aleatórias discretas podem ser transformadas em outras variáveis
aleatórias , como somas de variáveis aleiatorias ou proporções de variáveis, o que
permite que elas sejam usadas em modelos mais complexo.
Essas características são importantes para enteder as propriedades e comportamentos
estatísticos das variáveis aleatórias discretas , cauculos e analises estatísticos.

Importância das variáveis aleatórias discretas

As variáveis aleatórias discretas são importantes em diversas arias do comhecimentos,

principalmente na probabilidade e na estatística. Algumas das principais importsncia
das variáveis aleatórias discretas são;
1 modelagem de fenómenos; as variáveis aleatórias discretas são usadas para modelar
fenómenos em que aquantidade de sesultado possível e finita ou enumerável, como no
lançamento de um dado, no números de carros que passam por uma rua em um
determinado intervalo de tempo, no numero de paciente em um dia especifico, entre
outros
2 calculo de probabilidades; as variáveis aleatórias discretas permitem o calculo de
probabilidade exatas para cada um dos resultados possíveis em um experimento
aleatório. O estudo dessas probabilidades e importante em diversar áreas do
comhecimento , como em finacas , estatísticas e enginheria por exemplo
3 analise de dados; os estudos e analises de variáveis aleatórias discretas permitem a
analise de dados coletados em pesquisas e estudos epidemiologia, alem da discrição e
analise de resultados em pesquias de mercado e opinião,
4 simulacao de cenários; as variáveis aleatórias discretas permitem sumular defrente
senário de sumulacoes, possibilitando a analise e o estudo de possíveis consequências
de determinados eventos
5 tomadas de decisões; a analiose de variáveis aleatórias discretas e utel na tomadas de
dicisoes em simulações de incertezas, permitido a escolha da melhor estratégia ou
decisão através de avaliação de possível resultados e sua possível probabilidades

Variáveis aleatórias continuas

Variáveis aleatórias continuas são aquelas que podem assumir um numero infinito de
valores em um intervalo continuo. Em outras palavras, avariável pode assumir qualquer
valor dentro de um determinado, intervalo, ao contrario da variáveis discretas, que
assumim apenas valores específicos e insolados.
Por exemplo, altura de uma pessoa e um variáveis aleatória continua, uma ves que pode
assumir qualquer valor dentre de um intervalo continuo ( por exemplo, de 1,50m a
2,20m ) enquanto o números de filhos que uma pessoa tem e uma variável aleatória
discreta, por que so pode assumir valores inteiros(0,1,2,3,4, ets ).
As variáveis aleatórias continuo soa amplamente utilizado em estatística e probabilidade
para modelar fenómenos quie ocorrer em um intervalo continuo, como o tempo de
espera em uma fila ou a temperatura em em determinado dia. A função de densidade de
probabilidade e usada para descrever a probabilidade de uma variáveis aleatória
continua assumir um determinado valor em um intervalo especifico.

As características de uma variáveis aleatórias continua

as principais características de uma variaveius continua são;

1 a variáveis podem assumie um numero infinitos de valores, em um intervalos
continuo. Por exemplo a altura de mua pessoa pode variar entre 1,50m e 2,20m com
uma infinidade de valores possíveis dentre destes intervalo.
2 a probabilidade de a variáveis assumir um valor exato e sempre zero. Por exemplo, a
probabilidade de uma pessoa ter exatamente 1,75m de altura e zero, pois a infinidade
outras possibilidades de altura entre 1,50m e 2,20m.
3 a função de densidade de probabilidade (f.d.p) e usado para descrevaer a distribuição
de probabilidade da variável. A f.d.p e uma função matemática que atribui uma
probabilidade relativa a cada valor possíveis da variáveis aleatórias.
4 a aria sobre a curva da f.d.p em um intervalo epecifico corresponde a probabilidade da
variáveis aleatória assumir um valor dentre intervalo. Por exemplo, a probabilidade de
uma pessoa ter altura entre 1,70m e 1,80m pode ser calculada como a aria sobe a curva
da f.d.p ente 1,70m e 1,80m
5 a media e a variância da variável aleatória continua pode ser calculada apartir da sua
f.d.p. a media e o lavor espedo da variável, enquanto a variância mede a dispersão dos
valores da davariacvel em torno da media.
As variáveis aleatórias contínuas são usadas para modelar problemas que envolvem
tempo, peso, área, volume, temperatura e outros. Elas são funções que associam a cada
evento do espaço amostral um valor dentro de um intervalo de números reais. A
probabilidade de uma variável aleatória contínua assumir um valor específico é zero. A
forma de caracterizar a distribuição de uma variável aleatória contínua é através de uma
função densidade de probabilidade, que é uma função positiva cuja área total sob a
curva é igual a um¹.
Nesse caso da altura, uma pessoa pode ter 1,80m de altura, entretanto se melhorar a
precisão poderia ser 1,802m, ou seja, a probabilidade de um valor específico dentro de
um intervalo é nula.
Assim, ao invés de utilizarmos uma função de probabilidade f (x) = P (X = x) como nas
variáveis discretas, utilizamos uma função densidade de probabilidade (f.d.p), para
trabalhar com intervalos.

Exemplo 7.1. O ponteiro dos segundos de um relógio mecânico pode parar a qualquer
instante, devido a algum defeito técnico, ou término da bateria, e vamos indicar por X o
ângulo que esse ponteiro forma com o eixo imaginário passando pelo centro do mostrador
e pelo número XII, conforme mostra a Figura 7.1.

Tabela 7.1: Distribuição uniforme discreta.

x 0° 6° 12° 18° ... 348° 354°

p(x) 1/60 1/60 1/60 1/60 ... 1/60 1/60

Figura 7.1: Ilustração de uma v.a. X discreta.

Medindo esse ângulo X em graus e lembrando que:

(i) o ponteiro deve dar 60 “saltos” (ele dá um salto em cada segundo) para completar uma
volta;
(ii) acreditamos que o ponteiro tenha probabilidade igual de parar em qualquer ponto, então,
a v.a. X tem distribuição uniforme discreta, com função de probabilidade dada pela
Tabela 7.1 e representada graficamente na Figura 7.2.

Figura 7.2: Distribuição uniforme discreta.

Considerando esse mesmo problema com um relógio elétrico, para o qual o ponteiro dos
segundos move-se continuamente, necessitamos de um outro modelo para repre- sentar a v.a.
X. Primeiro, observamos que o conjunto dos possíveis valores de X não é mais um conjunto
discreto de valores, pois X pode assumir qualquer valor do intervalo [0,360) = = {x C IR : 0
“ x < 360}. Em segundo lugar, como no caso do relógio mecânico, continuamos a
acreditar que não exista uma região de preferência para o ponteiro parar. Como existem
infinitos pontos nos quais o ponteiro pode parar, cada um com igual probabilidade, se
fôssemos usar o mesmo método usado para a v.a. discreta uniforme, cada ponto teria
probabilidade de ocorrer igual a zero. Assim não tem muito sentido falar na
probabilidade de que o ângulo X seja igual a certo valor, pois essa probabilidade sempre
será igual a zero. Entretanto, podemos determinar a probabilidade de que X esteja
compreendido entre dois valores quaisquer. Por exem- plo, usando a Figura 7.1 como
referência, a probabilidade de o ponteiro parar no intervalo compreendido entre os
números XII e III é 1/4, pois esse intervalo corresponde a 1/4 do intervalo total.
Podemos, pois, escrever

Do mesmo modo, a probabilidade P(120o “ X “ 150o) = 1/12. Por menor que seja o
intervalo, sempre poderemos calcular a probabilidade de o ponteiro parar num pon- to
qualquer desse intervalo. E é fácil verificar que, nesse caso, dados dois números a e b,
tais que 0o “ a < b < 360o, a probabilidade de X C [a, b) é

Através da divisão do intervalo [0o, 360o) em pequenos subintervalos, podemos construir

um histograma para as probabilidades da v.a. X . Ou ainda, como naquele capítulo, fazendo
esses intervalos tende- rem a zero, podemos construir o histograma alisado da v.a. X,
apresentado na Figura 7.3
Figura 7.3: Histograma alisado: distribuição uniforme continua

O histograma alisado da Figura 7.3 corresponde à seguinte função:

⎧ 0, se x < 0o
f(x) = ⎨ 1/360, se 0o “ x < 360o

⎩ 0, se x “ 360o.
Como vimos na construção de histogramas, a área correspondente ao intervalo [a, b)
(hachurada na Figura 7.3) deve indicar a probabilidade de a variável estar entre a e
b. Matematicamente, isso é expresso por meio da integral da função entre a e b; então,
P(a “b X < b) = ∫b f (x)dx = ∫ dx = ,
1 b– a
a a 360 360
pois a integral definida de uma função entre dois pontos determina a área sob a curva
representativa da função, compreendida entre esses dois pontos.
 A função f(x) é chamada função densidade de probabilidade (f.d.p.) da v.a. X.

Valor Médio de uma Variável Aleatória Contínua

Do que foi visto até aqui, deduz-se que qualquer função f (·), não-negativa, tal que
œ ∫ f (x)dx = 1,
–œ

define uma v.a. contínua X, ou seja, cria um modelo teórico para as freqüências relativas de
uma v.a. contínua. A área compreendida entre dois valores, a e b, da abscissa x, sob a curva
representativa de f(x), dá a probabilidade (proporção teórica) da variável pertencer ao intervalo
limitado pelos dois valores. Usando o conceito de integral, podemos escrever

Vejamos agora como podemos definir a esperança (valor médio ou média) de uma
v.a. contínua. Para isso, usaremos um artifício semelhante àquele usado na seção 3.1 para
calcular a média das variáveis quantitativas, com os dados agrupados em classes. Lá
substituímos todos os valores de um intervalo (classe) por um único valor aproxima- do (o
ponto médio do intervalo), e agimos como se a variável fosse do tipo discreto. Aqui iremos
repetir esse artifício.
Consideremos a v.a. X com função densidade f (x) e dois pontos a e b, bem próxi- mos,
isto é, h = b – a é pequeno, e consideremos x0 o ponto médio do intervalo [a, b]. Observando
a Figura 7.5 é fácil verificar que
P (a “ X “ b) = h f (x0),

o que significa aproximar a área da parte hachurada pelo retângulo de base h e altura
f (x0). É fácil ver que a aproximação melhora com h tendendo a zero.

Figura 7.5: Área hachurada representa P(a “ X “ b).

Dividamos agora o intervalo [A, B], onde f(x) > 0, em n partes de amplitudes iguais a
h = (B – A)/n (Figura 7.6) e consideremos os pontos médios desses intervalos, x1, x2, ..., xn.

Figura 7.6: Partição do intervalo [A, B].

7.2 Função de Distribuição Acumulada
Dada uma v.a. X com função densidade de probabilidade f(x), podemos definir a sua função
de distribuição acumulada, F(x), do mesmo modo como foi definida no Capítulo 6:
F(x) = P(X “ x), –œ < x < œ.
De (7.1) segue-se que

Exemplo 7.6. Retomemos o Exemplo 7.2. Temos

0, se x < 0
⎧ x
⎪ ∫ 2tdt = x2, se 0 “ x < 1
F(x) = ⎨ 0
1 x
⎪ ∫ 2tdt + ∫ 0dt = 1, se x “ 1.

⎩ 0 1

O gráfico de F(x) está na Figura 7.7.

Figura 7.7: f.d.a. da v.a. X do Exemplo 7.6.

7.4 Alguns Modelos Probabilísticos para Variáveis Aleatórias

Contínuas
De modo geral, podemos dizer que as v.a. cujos valores resultam de algum proces-
so de mensuração são v.a. contínuas. Alguns exemplos são:
(a) o peso ou a altura das pessoas de uma cidade;
(b) a demanda diária de arroz num supermercado;
(c) o tempo de vida de uma lâmpada;
(d) o diâmetro de rolamentos de esferas; e
(e) erros de medidas em geral, resultantes de experimentos em laboratórios.
Dada uma v.a. contínua X, interessa saber qual a f.d.p. de X. Alguns modelos são
freqüentemente usados para representar a f.d.p. de v.a. contínuas. Alguns dos mais utiliza-
dos serão descritos a seguir e, para uniformizar o estudo desses modelos, iremos em cada
caso analisar:
(a) definição;
 (b) gráfico da f.d.p.;
(c) momentos: E(X ),Var(X );
função de distribuição acumulada (f.d.a.). Outros modelos serão apresentados na seção

7.4.1 O Modelo Uniforme

O modelo uniforme é uma generalização do modelo estudado no Exemplo 7.1 e é
o modelo mais simples para v.a. contínuas.
(a) Definição. A v.a. X tem distribuição uniforme no intervalo [, ] se sua f.d.p. é dada
por
(b) Momentos. Pode-se mostrar (veja o Problema 29) que

Figura 7.10: f.d.a. de uma v.a. uniforme no intervalo [,  ].

Assim, para dois valores quaisquer c e d, c < d, teremos

P(c < X “ d) = F(d) – F(c),

que é obtida facilmente de (7.15).

Usaremos a notação
X ~ u ( ,  )

para indicar que a v.a. X tem distribuição uniforme no intervalo [,  ].

Exemplo 7.8. Um caso particular bastante interessante é aquele em que  = –1/2 e  = 1/2.
lndicando essa v.a. por U, teremos

{ 1, se –1/2 “ u “ 1/2
f(u) = 0, caso contrário.

Nessa situação temos que

E(U ) = 0, Var(U ) = 1/12

Importancia da variaveis aleatorias continuo

As variaveis aleatorias continuas são muito importante na teoria da probabilidades, na
estatistica e em muitos areas da ciencia, en ginharia e finannca. Algumas das principais
razoes pela quais as variaveias aleatoria contrinua são importantes são;

1. Modelagem de fenomenos continuo; muitos fenomenos no munmdo real são

continuo, como o tempo de espera de um cliente em, uma fila, a temperatura
ambiente ou a velocidade de um objeto em movimento. As variaveis aleatorias
continuo permitem modelar esses fenomenos de forma percisa e eficiente.

2. Calculo de probabilidaes; as variaveis aleatorias continuas permitem cvalculara

a probabilidae de um evento ocorrer em um intervalo continuo. Isso e utel em
muitas aplicacoes, como no calculo de probabilidade de falha de um
equipamento, de tempo de entrega de um produto entre outro.

3. Inferencias estatisticas; a partir de observacoes de uma variaveis aleatorias

continua e possivel fazer inferencias sobre a distribuicao de probabilidade da
variaveis. Essas inferencias são importantes em muitas arias, como em analise
de dadas de pesquisas na identificacao das anomalias em sistema ou na previsao
de eventos futuros.

4. Simulacao de processos; a geracao de valores aleatorias a partir de uma variavel

aleatoria continua e encencial para simular processos erstatisticos , como o proco
de acoes ou o desenpenho de sistemas. Essas simulacoes são importantes para
avaliar diferentes cenarios e tomar decisoes imformadas.

Em resumo, as variaveis aleatorias contimuo são importantes feramentas matematicas

para modelar, analises e tomar decisoes em uma anpla variedades de apicacoes que
envolvem a aleatoriedade e a incerteza.

Condições da função densidade de probabilidade:

 Uma probabilidade qualquer nunca é negativa

 A probabilidade associada a todo o Espaço Amostral é igual a 100%

Nesse sentido, a probabilidade será dada pela área da função.

Exemplo: (VUNESP/2014 – TJ-PA) Uma variável aleatória contínua tem uma função
de probabilidade dada por f(x) = K.x, válida apenas no intervalo 1≤ x ≤ 2. Fora desse
intervalo f(x) = 0. De acordo com isso o valor de K é:

Integral de k.x dx é igual a

(k/2) . x² = 1
Tendo como intervalo de 2 e 1, assim

k/2 . (2² – 1²) = 1

Logo,

k/2 . 3 = 1

Assim,

K = 2/3

Função de distribuição acumulada

A função de distribuição acumulada basicamente é a probabilidade acumulada desde

o início até o ponto indicado.

Vamos ver por meio de um exemplo, mas antes disso vejamos as características da
função acumulada.

Características

 FA é não decrescente, pois as probabilidades são sempre somadas.

 Por ser uma probabilidade, a f.d.a. assume valores entre 0 e 1

Exemplo: (FCC/2012 – Analista Judiciário do TRF da 2ª Região) Uma variável

aleatória contínua tem função densidade de probabilidade dada por:

Exercício – Função de distribuição acumulada

Se F(x) é a função de distribuição de X, então F(2) é igual a:

Primeiro deve-se integrar 2/x³,

= 2 . x^-2 / -2

= -x^-2

= -1/x²

E adotando os limites de 1 (limite inferior) até o ponto desejado (2).

F(2) = (-1/2²) – (-1/1²)

F(2) = -1/4 + 1
F(2) = 3/4

Medidas de posição central

Sabemos que a mediana divide em duas partes iguais a distribuição, assim devemos
igualar a f.d.p em 50%

Exemplo: F(x) = 8x²

8x² = 1/2

x² = 1/16

x = sqrt (1/16)

x = 1/4

A moda é o valor correspondente a maior frequência/probabilidade.

É possível verificar graficamente, mas na impossibilidade temos que derivar a função.

Moda – Função de
distribuição acumulada
Exemplo: (FCC/2011 – Analista Judiciário do TRT da 1ª Região) Considere a variável
aleatória contínua X com função densidade de probabilidade dada por:

Exercício – Função de distribuição

acumulada
Valor da moda será:

f (x) = 12x² – 12x³

Derivando a função

12 . 2 x¹ – 12 . 3x²

24x – 36x²

Igualando a 0
24x – 36x² = 0

Agora podemos simplificar por /12x

2 – 3x = 0

Logo, a moda será:

x = 2/3

Tanto a média quanto a variância podemos calcular a partir das integrais.

 Esperança Matemática

Esperança – Função de distribuição

acumulada

 Variância

Variância – Função de
distribuição acumulada
Distribuição Uniforme
Dando continuidade ao Resumo das Variáveis Aleatórias Contínuas ISS-BH, vejamos
sobre a Distribuição uniforme.

A Distribuição uniforme apresenta o mesmo valor de probabilidade para qualquer

valor.

Distribuição Uniforme
Assim, para calcular um intervalo em uma distribuição uniforme basta calcular a área do
período desejado.

Exemplo: (FGV/2017 – IBGE) Uma variável aleatória contínua X é uniformemente

distribuída no intervalo real [0, 50]. A probabilidade de que X seja maior do que 20 é
igual a:

K x (50 – 0) = 1
K x 50 = 1

K = 1/50

Para a área desejada

P = (50 – 20) x 1/50

P = 30 x 1/50

P = 0,6

 Esperança Matemática

Como estamos falando de um retângulo, o valor da média será exatamente no meio

Esperança – Distribuição Uniforme

 Variância

Já a variância temos:

V (X) = (b – a)² / 12

Distribuição exponencial
A distribuição exponencial taxa de falha constante e comporta-se, como o nome
sugere, de forma exponencial.

Função densidade de probabilidade (f.d.p.)

Distribuição
exponencial
Ainda, podemos calcular a probabilidade para um X maior do que algum valor, ou em
outros termos, a função de distribuição acumulada no ponto.

 Esperança matemática

 Variância

Exemplo: FGV – Analista Judiciário (TJ AL)/Apoio Especializado/Estatística/2018

Suponha que o tempo de espera para a marcação de uma 1ª audiência nas varas de
família de um tribunal seja uma variável aleatória que depende do número de novas
ações, seguindo uma distribuição exponencial com média de 2,5 meses.

Então, trabalhando com e^−0,4 = 2/3 , probabilidade de que uma 1ª audiência seja
marcada para mais do que 2 meses depois é igual a aproximadamente:

F(2) = 1 – (2/3)²

F(2) = 1 – 4/9

F(2) = 5/9

Assim, a chance de ser marcada até 2 meses é de 5/9

Então a chance para depois de 2 meses será o complemento

P = 1 – 5/9

P = 4/9

Variáveis aleatórias
Em probabilidade, uma função X que associa a cada evento do espaço amostral um
número real X(ω) ∈ R, é denominada uma variável aleatória (VA). Uma variável
aleatória pode ser classificada como discreta ou contínua, dependendo do domínio dos
valores de X. Exemplo: o número de alunos em uma sala é uma variável aleatória
(discreta), denotada por X (maiúsculo). Uma observação dessa variável é denotada pela
respectiva letra minúscula, e.g., x = 50 alunos. Em geral, denotamos a probabilidade de
uma V.A. X assumir determinado valor x como P[X] ou P[X = x]
Distribuições de probabilidade
Existem diversos modelos probabilísticos que procuram descrever vários tipos de
variáveis aleatórias: são as distribuições de probabilidade de variáveis aleatórias
(discretas ou contínuas). A distribuição de probabilidades de uma VA X é, portanto,
uma descrição das probabilidades associadas com os possíveis valores de X. Os valores
que X assume determinam o suporte (S) da VA. Variáveis discretas → suporte em um
conjunto de valores enumeráveis (finitos ou infinitos) Variáveis contínuas → suporte
em um conjunto não enumerável de valores .
Distribuições de probabilidade
Denomina-se de distribuição de probabilidade de alguma variável aleatória, a regra
geral que define a função de probabilidade (fp) (V.A.s discretas), ou a função densidade
de probabilidade (fdp) (V.A.s contínuas) para a variável de interesse. Existem muitas
distribuições de probabilidade, mas algumas merecem destaque por sua importância
prática. Estas distribuições também são chamadas de modelos probabilísticos.
Variáveis aleatórias contínuas
Uma V.A. é classificada como contínua se assume valores em qualquer intervalo dos
números reais, ou seja, um conjunto de valores não enumerável. Dessa forma, não é
possível atribuir probabilidades para um ponto específico, apenas para intervalos da
reta. Exemplos: Peso de animais Tempo de falha de um equipamento eletrônico Altura
da maré em uma hora específica Salinidade da água do mar Retorno financeiro de um
investimento
Exemplo 6.1
Estudos anteriores revelam a existência de uma grande lençol de água no subsolo de
uma região. No entanto, sua profundidade ainda não foi determinada, sabendo-se apenas
que o lençol pode estar situado em qualquer ponto entre 20 e 100 metros. Determine
uma função para representar a variável X (profundidade do lençol de água). Calcule a
probabilidade de encontar água em uma profundidade pelo menos igual a 25, mas
inferior a 29 metros.
Função densidade de probabilidade
Não podemos atribuir probabilidades à valores específicos, pois há uma quantidade não
enumerável (infinita) de valores em um ponto. Atribuimos probabilidades à intervalos
de valores, por meio de uma função. Portanto, as probabilidades são representadas por
áreas.
Função densidade de probabilidade A função densidade de probabilidade (fdp) atribui
probabilidades à intervalos de valores do tipo [a, b], e é definida por P[a < x < b] = Z b a
f (x)dx com as seguintes propriedades: i. É uma função não negativa f (x) ≥ 0 ii. A área
total sob a curva deve ser igual a 1 .
Função densidade de probabilidade
 Observações: P[X = x] = 0, portanto: P[a ≤ X ≤ b] = P[a < X ≤ b] = P[a ≤ X < b] = P[a
< X < b] Qualquer função f (·) que seja não negativa e cuja área total sob a curva seja
igual à unidade caracterizará uma VA contínua. f (x) não representa a probabilidade de
ocorrência de algum evento. A área sob a curva entre dois pontos é que fornecerá a
probabilidade.
Exemplo Seja a função: f (x) = ( 3 2 x 2 , se − 1 ≤ x ≤ 1 0, caso contrário Verifique se
essa função é uma fdp. Calcule: P[X > 0] P[X > 0, 5] P[−0, 5 ≤ X ≤ 0, 5] P[X < −2] P[X
< 0, 5] P[X < 0 ∪ X > 0, 5]
Medidas de posição para VAs contínuas
O valor esperado (ou média) da VA contínua X com função densidade f (x), é dado
pela expressão: E(X) = µ = Z ∞ −∞ x f (x)dx. A mediana é o valor Md que tem a
propriedade de P(X ≥ Md) ≥ 0.5 e P(X ≤ Md) ≥ 0.5. A moda é o valor Mo tal que, f
(Mo) = max x f (x).
Variância para VAs contínuas
Para uma VA X com densidade f (x), a variância é dada por Var(X) = σ 2 = Z ∞ −∞ (x
− µ) 2 f (x)dx. Expressão alternativa Var(X) = σ 2 = E(X 2 ) − E(X) 2 . onde E(X 2 ) =
Z ∞ −∞ x 2 f (x)dx.
Exemplo Seja a função: f (x) = ( 3 2 x 2 , se − 1 ≤ x ≤ 1 0, caso contrário Calcule E(X),
Var(X), DP(X)
Modelo Uniforme contínuo Definição: uma VA X tem distribuição Uniforme contínua
no intervalo [a, b], a < b, se sua função densidade de probabilidade é dada por f (x) = ( 1
b−a se a ≤ x ≤ b 0 caso contrário Notação: X ∼ U[a, b] Esperança e variância: E(X) =
a+b 2 e Var(X) = (b−a) 2 12 .

Modelo Uniforme contínuo

Exemplo 6.5 Com o objetivo de verificar a resistência à pressão de água, os técnicos de

qualidade de uma empresa inspecionam os tubos de PVC produzidos. Os tudos
inspecionados têm 6 metros de comprimento e são submetidos a grandes pressões até o
aparecimento do primeiro vazamento, cuja distância a uma das extremidades (fixada à
priori) é anotada para fins de análise. Escolhe-se um tubo ao acaso para ser
inspecionado. Queremos calcular a probabilidade de que o vazamento esteja, a no
máximo 1 metro das extremidades.

Modelo Exponencial Definição: uma VA contínua X assumindo valores não negativos,

segue o modelo exponencial com parâmetro α > 0 se sua densidade é dada por f (x) =
( αe −αx se x ≥ 0 0 caso contrário Notação: X ∼ Exp(α) Esperança e variância: E(X) = µ
= 1 α e Var(X) = 1 α2 . Obs.: P(a < X < b) = R b a αe −αx dx = e −αa − e −αb

Exemplo 6.6 Uma indústria fabrica lâmpadas especiais que ficam em operação
continuamente. A empresa oferece a seus clientes a garantia de reposição, caso a
lâmpada dure menos de 50 horas. A vida útil dessas lâmpadas é modelada através da
distribuição Exponencial com parâmetro 1/8000. Determine a proporção de troca por
defeito de fabricação.
Exemplo 6.7 O intervalo de tempo, em minutos, entre emissões consecutivas de uma
fonte radioativa é uma variável aleatória com distribuição Exponencial de parâmetro α =
0, 2. Calcule a probabilidade de haver uma emissão em um intervalo inferior a 2
minutos.

Modelo Normal Definição: Dizemos que uma VA X segue o modelo normal se sua fdp
é a seguinte f (x) = 1 σ √ 2π exp " − 1 2 x − µ σ 2 # , −∞ < x < ∞ onde µ ∈ R é a média
da população, σ ∈ R + é o desvio-padrão populacional. Notação: X ∼ N(µ, σ2 )
Esperança e variância: E(X) = µ e Var(X) = σ 2
Modelo Normal
Característcas da curva normal: É simétrica em relação à µ O ponto máximo (moda) de
f (x) é o ponto x = µ Os pontos de inflexão da função são µ − σ e µ + σ A área total sob
a curva é 1 ou 100% A curva é assintótica em relação ao eixo x
Modelo Normal Para qualquer VA normal X, valem as seguintes relações: P[X > µ] =
P[X < µ] P[µ − σ < X < µ + σ] u 0, 6827 P[µ − 2σ < X < µ + 2σ] u 0, 9545 P[µ − 3σ <
X < µ + 3σ] u 0, 9973 Portanto, 6σ é frequentemente referida como a largura de uma
distribuição normal. Métodos mais avançados de integração podem ser utilizados para
mostrar que a área sob a função densidade de probabilidade normal de −∞ < x < ∞ é
igual a 1.
Exemplo 6.9
Doentes sofrendo de certa moléstia são submetidos a um tratamento intensivo cujo
tempo de cura foi modelado por uma densidade Normal de média 15 e desvio padrão 2
(em dias). Calcule a proporção de pacientes que demorarão mais de 17 dias para se
recuperar. Calcule a probabilidade um paciente selecionado ao acaso demorar menos de
20 dias para se recuperar. Qual o tempo máximo necessário para a recuperação de 25%
dos pacientes? Se 100 pacientes forem escolhidos ao acaso, qual seria o número
esperado de doentes curados em menos de 11 dias?
Normal como aproximação da binomial A distribuição Normal é uma das mais
importantes na Estatística: Muitos fenômenos aleatórios se comportam próximos à essa
distribuição Pode ser usada como aproximação para outras distribuições Se X ∼ Bin(n,
p) então E(X) = np e Var(X) = np(1 − p). Podemos aproximar a binomial pela normal,
usando Y ∼ N(µ = np, σ2 = np(1 − p)), em geral, quando np ≥ 5 e np(1 − p) ≥ 5.
Exemplo 6.11 Estudo do Sindicato dos Bancários indica que cerca de 30% dos
funcionários de banco têm problemas de estresse, provenientes das condições de
trabalho. Numa amostra de 200 bancários, qual seria a probabilidade de pelo menos 50
com essa doença?
combinação linear de Normais independentes
Exemplo 6.13 Uma corretora negocia títulos na Bolsa de Valores e utiliza um modelo
probabilístico para avaliar seus lucros. Suas aplicações financeiras de compra e venda
atingem três áreas: agricultura, indústria e comércio. Admita que o seguinte modelo
representa o comportamento do lucro diário da corretora (em milhares): L = 2LA + 5LI
+ 3LC onde LA, LI e LC representam, os lucros diários nos setores de agricultura,
indústria e comércio. As distribuições de probabilidades dessas variáveis aleatórias são
LA ∼ N(3, 4), LI ∼ N(6, 9) e LC ∼ N(4, 16). Supondo independência entre os três
setores, qual será a probabilidade de um lucro diário acima de 50 mil
Conclusão
As variveis aleiatorias discretss são fundamentos nos estudos da probabilidades e
estatísticas. Elas permitem modelar situações em que os resultados possíveis são finitos
e discretos , estabelecendo uma relação entre esse resultados e suas respetivas
probabilidades. Com nessa relação, e possível calcular diversar medidas estatísticas
como a media e avariancia da veriavel aleiatoria.
Alem disso, as variáveis aleiatorias discretas possibilitam a criação demodelos
matemáticos e estatístico mais avançadas, permitindo descrever e prever eventos
complexos. Elas são empregadas em diversar arias como analises de dados, cálculos das
chances de ocorrência de eventos raros, simulação de experimentos, entre outros.
Portanto, o entidimento das variáveis aleiatorias discretas e fundamental para a
compressão de probabilidades e estatísticas e a sua utilização e essencial em diversas
áreas. O estudo dessas variáveis e um campo em contante evolução, proporcionado
novas formas de modelagem e analise de dados.
Referencias bibliográficas

DEVORE, jay. Probability and