Engenharia de Telecomunicao

Matemtica VIII
Unidade 7 Variveis Aleatrias

7.1 Conceito de varivel aleatria

7.2 Distribuio de probabilidade
7.3 Funo de densidade de probabilidade
7.4 Esperana matemtica, varincia e desvio padro; propriedades
7.5 Distribuies discretas: Hipergeomtrica, Binomial e Poisson
7.6 Distribuio contnua: Normal - propriedades, distribuio normal padro, a Normal
como aproximao da Binomial

Muitos experimentos aleatrios produzem resultados nonumricos. Antes de analis-los, conveniente transformar seus
resultados em nmeros, o que feito atravs da varivel aleatria, que
uma regra de associao de um valor numrico a cada ponto do espao
amostral.
Portanto, variveis aleatrias so variveis numricas s quais
iremos associar modelos probabilsticos.
7.1 Conceito
Sejam E um experimento e S o espao associado ao experimento.
Uma funo X, que associe a cada elemento s S um nmero real X(s)
denominada varivel aleatria.
X

R
s
Varivel
Aleatria

X(s)

Exemplo : E: lanamento de duas moedas;

X: n de caras obtidas nas duas moedas;
S={(c,c), (c,r), (r,c),(r,r)}
X=0 corresponde ao evento (r,r) com probabilidade
X= 1 corresponde ao evento (r,c), (c,r) com probabilidade 2/4
X= 2 corresponde ao evento (c,c) com probabilidade .

Sonia Maria Barros Barbosa Correa - Unidade 7

7.2 Distribuio de probabilidade

Uma vez definida a varivel aleatria, existe interesse no clculo
dos valores das probabilidades correspondentes.
O conjunto das variveis e das probabilidades correspondentes
denominado distribuio de probabilidades, isto :
{(xi,p(xi), I=1,2,.n}
7.3. Funo de densidade de probabilidade
a funo que associa a cada valor assumido pela varivel aleatria
a probabilidade do evento correspondente, isto :
P(X=xi)= P(Ai), i=1,2,.,n
7.4. Esperana matemtica, varincia e desvio padro;
Existem caractersticas numricas que so muito importantes em
uma distribuio de probabilidades de uma varivel aleatria discreta. So
os parmetros das distribuies, so eles:
Esperana matemtica (ou simplesmente mdia) - E (x) um
nmero real, tambm uma mdia aritmtica.
Varincia - VAR (x) a medida que d o grau de disperso ( ou de
concentrao) de probabilidade em torno da mdia. O fato de
conhecermos a mdia de uma distribuio de probabilidades j nos ajuda
bastante, porm precisamos de uma medida que nos d o grau de
disperso de probabilidade em torno dessa mdia.
Desvio Padro DP(X) a raiz quadrada da varincia
7.5. Distribuies discretas

Varivel Aleatria Discreta

Uma funo X, definida sobre o espao amostral e assumindo
valores num conjunto enumervel de pontos do conjunto real, dita uma
varivel aleatria discreta.
Uma varivel aleatria X do tipo discreto estar bem caracterizada
se indicarmos os possveis valores x1, x2, , xk que ela pode assumir e as
respectivas probabilidades p(x1), p(x2), , p(xk), ou seja, se conhecemos
a sua funo de probabilidade (x; p(x)), onde
p(x) = P(X = x)
Dada a v.a. discreta X, assumindo os valores x1, x2, , xk ,
chamamos esperana matemtica de X ao valor:
E ( X ) = x p( x)

Sonia Maria Barros Barbosa Correa - Unidade 7

Chamamos varincia de X ao valor:

Var ( X ) = E ( X 2 ) [ E ( X )] 2
onde

E ( X 2 ) = x 2 p( x)
e de desvio padro de X a

DP( X ) = Var ( X )

Distribuies Discretas de Probabilidade

1 Distribuio de Bernoulli
Seja um experimento aleatrio E realizado repetidas vezes, sempre nas
mesmas condies, de tal forma que o resultado pode ser um Sucesso
(s) (se acontecer o evento que nos interessa) ou um Fracasso ( f) (o
evento no se realiza).
Seja X a varivel aleatria: Sucesso ou Fracasso
X x1 = 1 (sucesso)
P(X) p(x 1 ) = p
P ( x = 0) = q

x 2 = 0 (fracasso)

ou

p(x 2 ) = 1 p = q
e

P(x = 1 ) = p

Essas condies caracterizam um conjunto de Provas de Bernoulli ou

um experimento de Bernoulli, e sua funo probabilidade dada por:
P ( X = x) = p x .q 1 x

Principais caractersticas:

Mdia : E ( X ) = xi P( xi ) = 0.q + 1. p = p
i =0

Varincia:
Var ( X ) = E ( X 2 ) [ E ( X )]2
1

E ( X 2 ) = xi2 P ( xi ) = 0 2 q + 12 p = p
i =0

Var ( X ) = p p 2 = p (1 p) = pq

Sonia Maria Barros Barbosa Correa - Unidade 7

2 Distribuio Binomial
Uma varivel aleatria tem distribuio binomial quando o
experimento ao qual est relacionada apresentam apenas dois resultados
(sucesso ou fracasso). Este modelo fundamenta-se nas seguintes
hipteses:
a) n provas independentes e do mesmo tipo so realizadas;
b) cada aprova admite dois resultados Sucesso ou Fracasso;
c) a probabilidade de sucesso em cada prova p e de fracasso 1- p = q
Define-se a Varivel X que conta o nmero de sucesso nas n realizaes
do experimento .
( X pode assumir os valores 0, 1, 2, 3, ......., n.)
Fazendo sucesso corresponder a 1 e fracasso a 0, temos:

Para X = 0 , uma sequncia de n zeros : 000000....000.

P ( X = 0) = q.q.q.qq.....q = q n

Para X = 1, uma sequncia do tipo: 1000....0; 01000....0; 001000...0;

sero n sequncias, cada uma com um nico sucesso e n-1 fracassos:
P ( X = 1) = n. p.q n 1

Para X= x, tem-se x sucessos e (n-x) fracassos, correspondendo s

seqncias com x algarismos 1 e n-x zeros . Cada seqncia ter
n
x n x
probabilidade p q
e como h seqncias distintas, tem-se :
x

n
P( X = x) = p x q n x
x

Expresso geral da
distribuio Binomial

Principais caractersticas:

Mdia : E ( X ) = n. p

Varincia : Var ( X ) = n. p.q

Exemplo: Uma moeda no viciada lanada 8 vezes. Encontre a

probabilidade de:
a) dar 5 caras;
b) pelo menos uma cara;
c) no mximo 2 caras.

Sonia Maria Barros Barbosa Correa - Unidade 7

3 Distribuio de Poisson
Consideremos a probabilidade de ocorrncia de sucessos em um
determinado intervalo. A probabilidade da ocorrncia de um sucesso no
intervalo proporcional ao intervalo. A probabilidade de mais de um
sucesso nesse intervalo bastante pequena com relao probabilidade
de um sucesso.
Seja X o nmero de sucessos no intervalo, ento:

e .k
P( X = k ) =
k!
onde a mdia.

A varivel X assim definida tem distribuio de Poisson.

A distribuio de Poisson muito usada na distribuio do nmero de:
Carros que passam por um cruzamento por minuto, durante uma
certa hora do dia;
Erros tipogrficos por pgina, em um material impresso;
Defeitos por unidade ( m, m, m, etc.,,) por pea fabricada;
Colnias de bactrias numa dada cultura por 0,01mm, numa
plaqueta de microscpio;
Mortes por ataque de corao por ano, numa cidade;
aplicada tambm em problemas de filas de espera em geral, e
outros.
Principais caractersticas:

Mdia : E ( X ) =

Varincia : Var ( X ) =

OBS: Muitas vezes, no uso da binomial, acontece que n muito grande e

p muito pequeno. Podemos ento fazer uma aproximao de binomial
pela distribuio de Poisson, fazendo:

= np
Exemplo: Em mdia h 2 chamadas por hora num certo telefone.
Calcular a probabilidade de se receber no mximo 3 chamadas em 2 horas
e a probabilidade de nenhuma chamada em 90 minutos

Sonia Maria Barros Barbosa Correa - Unidade 7

7.6. Distribuio contnua:

Varivel Aleatria Contnua

Uma varivel aleatria cujos valores so expressos em uma escala
contnua dita uma varivel aleatria contnua.
Podemos construir modelos tericos para v.a.s contnuas
escolhendo adequadamente a funo de densidade de probabilidade
(f.d.p.), que uma funo indicadora da probabilidade nos possveis
valores de X.
Assim, a rea sob a f.d.p. entre dois pontos a e b nos d a
probabilidade da varivel assumir valores entre a e b, conforme ilustrado
na figura 1 a seguir.
P(a<X<b)

Figura 1 Probabilidade como rea sob a curva entre dois pontos

Portanto, podemos escrever:

b

P (a < X < b) = f ( x)dx

a

Da relao entre a probabilidade e a rea sob a funo, a incluso

ou no dos extremos a e b na expresso acima no afetar os resultados.
Assim, iremos admitir
P ( a < X < b) = P ( a X < b) = P ( a < X b) = P ( a X b)

Teoricamente, qualquer funo f(x) que seja no negativa e cuja

rea total sob a curva seja igual unidade, ou seja,

f ( x)dx = 1
caracterizar uma v.a. contnua.
Dada a v.a. contnua X, assumindo os valores no intervalo entre a e
b, chamamos valor mdio ou esperana matemtica de X ao valor
b

E ( X ) = x f ( x)dx
a

Sonia Maria Barros Barbosa Correa - Unidade 7

Chamamos varincia de X ao valor

Var ( X ) = E ( X 2 ) [ E ( X )] 2
onde
b

E ( X 2 ) = x 2 f ( x)dx
a

e de desvio padro de X a
DP ( X ) = Var ( X )

Se X uma v.a. contnua com f.d.p. f(x) definimos a sua funo de

distribuio acumulada F(x) como:
x

F ( x) = P ( X x) =

f (t )dt

Distribuio Normal
A distribuio normal a mais importante das distribuies de
probabilidades. Conhecida como a curva em forma de sino, a
distribuio normal tem sua origem associada aos erros de mensurao.
sabido que, quando se efetuam repetidas mensuraes de determinada
grandeza com um aparelho equilibrado, no se chega ao mesmo resultado
todas as vezes; obtm-se, ao contrrio, um conjunto de valores que
oscilam, de modo aproximadamente simtrico, em torno do verdadeiro
valor. Construindo-se o histograma desses valores, obtm-se uma figura
com forma aproximadamente simtrica. Gauss deduziu matematicamente
a distribuio normal como distribuio de probabilidade dos erros de
observao, denominando-a ento lei normal dos erros.
Inicialmente se supunha que todos os fenmenos da vida real
devessem ajustar-se a uma curva em forma de sino; em caso contrrio,
suspeitava-se de alguma anormalidade no processo de coleta de dados.
Da a designao de curva normal.
A observao cuidadosa subseqente mostrou, entretanto, que essa
pretensa universalidade da curva, ou distribuio normal, no
correspondia realidade. De fato, no so poucos os exemplos de
fenmenos da vida real representados por distribuies no normais,
curvas assimtricas, por exemplo. Mesmo assim, a distribuio normal
desempenha papel preponderante na estatstica, e os processos de
inferncia nela baseados tm larga aplicao.

Sonia Maria Barros Barbosa Correa - Unidade 7

A distribuio normal tem sua funo de densidade de probabilidade

dada por
f(x) =

(x )2

exp
2 2

< x <

Como pode-se observar atravs da equao acima, a distribuio normal

inclui os parmetros e , os quais possuem os seguintes significados:
: posio central da distribuio (mdia, x)
: disperso da distribuio (desvio padro, x)
Se uma varivel aleatria X tem distribuio normal com mdia e
varincia 2, escrevemos: X N( ,2).
A figura 2 ilustra uma curva normal tpica, com seus parmetros descritos
graficamente.
f(x)

: mdia
: desvio padro

Figura 2 - Curva normal tpica

Propriedades da distribuio normal

Para uma mesma mdia e diferentes desvios padro , a distribuio

que tem maior desvio padro se apresenta mais achatada, acusando maior
disperso em torno da mdia. A que tem menor desvio padro apresenta pico mais
acentuado e maior concentrao em torno da mdia. A figura 3 compara trs curvas
normais, com mesma mdia, porm com desvios padro diferentes. A curva A se
apresenta mais dispersa que a curva B, que por sua vez se apresenta mais dispersa
que a curva C. Neste caso, A > B > C.
Distribuies normais com o mesmo desvio padro e mdias diferentes
possuem a mesma disperso, mas diferem quanto localizao. Quanto maior a
mdia, mais direita est a curva. A figura 4 ilustra o fato, onde a curva A possui
mdia maior que a curva B (A > B).

Sonia Maria Barros Barbosa Correa - Unidade 7

B
A

Figura 3 - Distribuies normais com mesma mdia e desvios padro diferentes

Figura 4 - Distribuies normais com mesmo desvio padro e mdias diferentes

Como descrito anteriormente, a probabilidade de uma varivel assumir

valores entre a e b igual rea sob a curva entre esse dois pontos. A
determinao destas probabilidades realizada matematicamente atravs da
integrao da funo de densidade de probabilidade entre os pontos a e b de
interesse. No caso da normal, a integral no pode ser calculada exatamente, e a
probabilidade entre dois pontos s pode ser obtida aproximadamente, por mtodos
numricos. Esta tarefa facilitada atravs do uso da distribuio normal padro
definida a seguir.
No caso da distribuio normal, algumas dessas reas com os pontos a e b
funo da mdia e do desvio padro so bastante difundidos, e esto
representadas na figura 5.
99.73 %
95.46 %
68.26 %

-3

-2

+2

+3

Figura 5 - Probabilidades da distribuio normal

Sonia Maria Barros Barbosa Correa - Unidade 7

Portanto, 68,26% dos valores populacionais caem entre os limites definidos como
mdia mais ou menos um desvio padro ( 1); 95,46% dos valores caem entre
mdia mais ou menos dois desvios padro ( 2); e 99,73% dos valores caem
entre mdia mais ou menos trs desvios padro ( 3).
A distribuio normal padro

A distribuio normal particular com mdia 0 e desvio padro 1 chamada de

distribuio normal padro, e costuma ser denotada por Z.
Se X N( ,2), ento a varivel aleatria definida por
Z=

ter uma distribuio N(0,1). Esta transformao ilustrada pela figura 6.

X
-3

-2

+2

+3

X-

-3

-2

-1

Z
1

3
2

Figura 6 - Transformao de uma N( , ) para uma N(0,1)

A rea esquerda de um valor especificado da N(0,1) encontra-se tabelada.

Utilizando-se a transformao acima, podemos obter as probabilidades para
qualquer N( ,2). O procedimento ilustrado atravs do exemplo abaixo.
Extrudados tubulares possuem tenso de escoamento (tenso a partir da qual o
material se deforma plasticamente) que segue uma distribuio normal com mdia
de 210 MPa com desvio padro de 5 MPa. Em notao estatstica, X N(210 ,52).
desejado que tais extrudados tenham tenso de escoamento de pelo menos 200
MPa. Portanto, a probabilidade do extrudado no atingir a especificao desejada
200 210

P(X < 200) = P Z <

= P(Z < -2).

Sonia Maria Barros Barbosa Correa - Unidade 7

10

A figura 7 mostra a transformao realizada e a rea desejada.

P(X<200)

180

190

200

210

220

230

240

-2

P(Z<-2)

-6

-4

Figura 7 - Probabilidade do extrudado no atingir a especificao desejada

Para clculo dessa probabilidade utilizamos a tabela III. Observe que a tabela traz
apenas a P(Z<z) para z no negativo (z0). As propriedades que seguem podem ser
deduzidas da simetria da densidade em relao mdia 0, e so teis na obteno
de outras reas no tabuladas.
P(Z>z) = 1 - P(Z<z)
P(Z<-z) = P(Z>z)
P(Z>-z) = P(Z<z).

P(Z < -z)

1 - P(Z < z)
-z

Figura 8 - reas correspondentes na distribuio normal

Utilizando as relaes apresentadas acima, a probabilidade do extrudado no

atender especificao
P(X < 200) = P(Z < -2) = P(Z > 2) = 1 - P(Z < 2)
que, atravs da tabela da N(0,1), igual a
P (X < 200) = 1 - 0,97725 = 0,02275.

Sonia Maria Barros Barbosa Correa - Unidade 7

11