Variáveis aleatórias

e
Distribuição de Probabilidade
 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

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

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

No lançamento de 3 moedas equilibradas, seja Y o números de caras.
C
Y: “o número de caras” C K
y=0 C
C
y=1 K
Y
K
y=2 C
C
y=3 K
K
C
K
S = {KKK, KKC, KCK, CKK, KCC, CKC, CCK, CCC}
K

Y:
y
0 1 2 3
 Variáveis aleatórias
Uma variável aleatória é uma função que associa elementos do
espaço amostral ao conjunto de números reais

Medir o tempo gasto de uma reação química Y: Tempo 1,2 ≤ y ≤ 3,4

S = { y Є ℜ; y > 0}

S = { y Є ℜ; 1,2 ≤ y ≤ 3,4} = [1,2 ; 3,4]

Y
1,2 3,4

Os possíveis resultados abrangem todo um intervalo de números reais

 Variáveis aleatórias

Discretas (v.a.d.)
Os possíveis resultados estão
contidos em um conjunto
enumerável

Contínuas (v.a.c.)
Os possíveis resultados
abrangem todo um intervalo
de números reais
 1/3
B
Variáveis aleatórias discretas 1/3
B D
A variável aleatória X: número de peças boas 1/3 R
1/3
1/3 B
S = {RR, DD, DR, RD, BD, BR, RB, DB, BB}
1/3 1/3
D D
1/3 R
X: x 1/3 1/3 B
0 1 2
1/3 D
R
Qual a probabilidade de cada valor da variável ocorrer? 1/3 R
Equiprováveis

Valores possíveis de x Probabilidades Fictício

0 4/9 P(B) = 1/3
1 4/9 P(D) = 1/3
2 1/9 P(R) = 1/3
A variável aleatória X: número de peças boas
0,9900 B 𝐵𝐵 → 𝑝(2) = 𝑃(𝑋 = 2) = 0,9900 x 0,9900 = 0,980100

0,0010
B D 𝐵𝐷 → 𝑝(1) = 𝑃(𝑋 = 1) = 0,9900 x 0,0010 = 0,000990

0,9900 0,0090 R 𝐵𝑅 → 𝑝(1) = 𝑃(𝑋 = 1) = 0,9900 x 0,0090 = 0,008910

0,9900 B 𝐷𝐵 → 𝑝(1) = 𝑃(𝑋 = 1) = 0,0010 x 0,9900 = 0,000990

0,0010 0,0010
D D 𝐷𝐷 → 𝑝(0) = 𝑃(𝑋 = 0) = 0,0010 x 0,0010 = 0,000001

0,0090 R 𝐷𝑅 → 𝑝(0) = 𝑃(𝑋 = 0) = 0,0010 x 0,0090 = 0,000009

0,0090 0,9900 B 𝑅𝐵 → 𝑝(1) = 𝑃(𝑋 = 1) = 0,0090 x 0,9900 = 0,008910

R 0,0010
D 𝑅𝐷 → 𝑝(0) = 𝑃(𝑋 = 0) = 0,0090 x 0,0010 = 0,000009

0,0090 R 𝑅𝑅 → 𝑝(0) = 𝑃(𝑋 = 0) = 0,0090 x 0,0090 = 0,000081

A variável aleatória X: número de peças boas

Valores possíveis p(x)

de x
0 0,0001
1 0,0198
2 0,9801
 Variáveis aleatórias discretas
A distribuição de probabilidades de uma variável aleatória X é a
descrição do conjunto de probabilidades associados aos possíveis
valores de X
Valores possíveis de x Probabilidades p(x)
x1 p(x1)
x2 p(x2)
... ...
xi p(xi)

Se X for discreta, com possíveis valores { x1, x2, ...}, então a

distribuição de probabilidades de X pode ser apresentada pela
chamada função de probabilidade p(xi), que associa a cada valor
possível xi a sua probabilidade de ocorrência 0 ≤ 𝑝(𝑥𝑖 ) ≤ 1 ;
Uma função de probabilidade deve ෍ 𝑝(𝑥𝑖 ) = 1
satisfazer: 𝑖
 Uma função de probabilidade deve 0 ≤ 𝑝(𝑥𝑖 ) ≤ 1 ;
satisfazer:
෍ 𝑝(𝑥𝑖 ) = 1
𝑖
Valores possíveis de x Probabilidades p(x)
0 4/9 0 ≤ 𝑝(𝑥𝑖 ) ≤ 1;
1 4/9 4 4 1
෍ 𝑝(𝑥𝑖 ) = + + = 1
2 1/9 9 9 9
𝑖

p(x)

4
9

Forma gráfica
2
9

0
X
0 1 2
 Com o objetivo de sintetizar características relevantes de uma
distribuição de probabilidades calcula-se:

Valor esperado e variância de uma v.a.d.

Média , valor esperado , esperança matemática ou média

populacional de uma variável aleatória X com distribuição de
probabilidades
Valores possíveis de xi Probabilidades p(xi)
x1 p(x1)
x2 p(x2)
... ...
xN p(xN)

𝜇𝑋 = 𝐸(𝑋) = ෍ 𝑥𝑖 ⋅ 𝑝(𝑥𝑖 )
𝑖=1
 A variável aleatória X: número de peças boas
Valores possíveis de x Probabilidades p(x)
0 4/9
1 4/9
2 1/9

 4  4  1 6 2
 X = E ( X ) =  0   + 1   +  2   = =  0,6667 peças boas
p(x)  9  9  9 9 3
4
9
Fisicamente, o valor
esperado corresponde
2
9 ao centro de gravidade
da distribuição de
0
x probabilidades
0 1 2
E ( X )  0,6667
Se repetirmos o experimento infinitas vezes, em média teríamos 0,6667 peças boas
(Observar duas peças de uma linha de produção ... )
 Variância de uma variável aleatória X, mede o grau de dispersão
(concentração) dos valores da variável em torno da média
𝑁

𝜎𝑋2 = 𝑉(𝑋) = 𝑉𝑎𝑟(𝑋) = ෍ 𝑥𝑖 − 𝐸(𝑋) 2⋅ 𝑝(𝑥𝑖 )

𝑖=1

 X2 = V ( X ) = Var ( X ) = E ( X 2 ) − E ( X ) 2
n
E( X 2 ) =  xi2  p( xi )
i =1

A variável aleatória X: número de peças boas

Valores Probabilidades  2 4  2 4  2 1 8
possíveis de x p(x)
E ( X ) =  0   + 1   +  2   =
2

 9  9  9 9
0 4/9 2
2 6
1 4/9 E ( X ) =   = 4
2 1/9 9 9
8 4 4
 = V ( X ) = Var( X ) = − =  0,4444
2
X
(peças boas)2
9 9 9
 Desvio padrão de uma variável aleatória X,

 X = DP( X ) = Var ( X )
A variável aleatória X: número de peças boas
4 2
 X = DP( X ) = =  0,6667 peças boas
9 3

Algumas propriedades

E (c ) = c V (c ) = 0
E( X + c) = E( X ) + c V ( X + c) = V ( X )
E ( cX ) = c  E ( X ) V ( cX ) = c 2 V ( X )
No lançamento de 3 moedas equilibradas, seja Y o números de caras.
a) Obter a distribuição de probabilidade.
b) Obter a forma gráfica da distribuição de probabilidades.
c) Obter a esperança, variância e desvio padrão
1 C
2
Y: “o número de caras” 1 C
2 1 K
1 2
0,50 = 1 C 2 C
2
1 K
2 K
1
1 2
2 C
1
2 C
0,50 = 1 1
K
2 K 1 2
1 2 C
2 K
S = { CCC, CCK, CKC, KCC, CKK, KCK, KKC, KKK}
1
2
K
S = { CCC, CCK, CKC, KCC, CKK, KCK, KKC, KKK}

Valores possíveis de y Probabilidades p(y)

0 1/8
1 3/8
2 3/8
3 1/8

p(y)
3
8

1
8

0
0 1 2 3 Y

n
 1  3  3  1 3
E (Y ) =  yi  p( yi ) E (Y ) =  0   + 1   +  2   +  3   = = 1,5 caras
i =1  8  8  8  8 2
S = { CCC, CCK, CKC, KCC, CKK, KCK, KKC, KKK}

Valores possíveis de y Probabilidades p(y)

0 1/8
1 3/8
2 3/8
3 1/8

V (Y ) = E (Y ) − E (Y )
n
E (Y ) =  yi2  p( yi )
3
2 2
E (Y ) =
2

i =1 2

 1  3  3  1 2

E (Y ) =  0 2   + 12   +  2 2   +  32   = 3
2
E (Y ) =  3  = 9
2

 8  8  8  8 2 4

9 3
V (Y ) = 3 − = caras 2 DP(Y ) = 3 4 caras
4 4
Número de peças com defeito (Z) em uma amostra de três peças,
sorteadas aleatoriamente de um grande lote, em que 40% das peças
são defeituosas (Fictício).
a) Obter a função de probabilidade.
b) Obter a forma gráfica da distribuição de probabilidades.
c) Obter a esperança e a variância. 3 B
5
3 B
5 2 D
5
3 B
0,60 = 3
5
B 5
2 D
5 2 D
3 5
5 B
3 B
5
0,40 = 2 2 D
5 D 5
3 B
5
2 D
5
2 D
S = { BBB, BBD, BDB, DBB, BDD, DBD, DDB, DDD} 5
 A variável aleatória Z: número de peças defeituosas

S = { BBB, BBD, BDB, DBB, BDD, DBD, DDB, DDD}

Z:
3 z
0 1 2
3ൗ ⋅ 3ൗ ⋅ 3ൗ = 27ൗ 3ൗ ⋅ 3ൗ ⋅ 2ൗ
5 5 5 3ൗ ⋅ 2ൗ ⋅ 2ൗ 2ൗ ⋅ 2ൗ ⋅ 2ൗ = 8ൗ
5 5 5 125 5 5 5 5 5 5 125
18 54
3ൗ ⋅ 2ൗ ⋅ 3ൗ ∙3= 12 36
5 5 5 125 125 2ൗ ⋅ 3ൗ ⋅ 2ൗ ∙3=
5 5 5 125 125
2ൗ ⋅ 3ൗ ⋅ 3ൗ
5 5 5 2ൗ ⋅ 2ൗ ⋅ 3ൗ
5 5 5

a) Obter a função de probabilidade.

Valores possíveis de z Probabilidades p(z) p ( zi )  0 ;
0 27/125
1 54/125
 p( z ) = 1
i
i

2 36/125
3 8/125
b) Obter a forma gráfica da distribuição de probabilidades.
p(z)
54
125

27
125

0
c) Obter a esperança e a variância. 0 1 2 3 Z

 27   54   36   8  6
E (Z ) =  0   + 1   + 2  + 3  = = 1,2
 125   125   125   125  5
peças defeituosas

V ( Z ) = E ( Z 2 ) − E ( Z ) 2
n
E ( Z 2 ) =  zi2  p( zi )
i =1

 2 27   2 54   2 36   2 8  54
E (Z ) =  0 
2
 + 1   + 2   + 3  =
 125   125   125   125  25
2
6
E (Z ) =   =
2 36
54 36 18
5 25 V (Z ) = − =  0,72
25 25 25 (peças defeituosas)2
 DISTRIBUIÇÕES DISCRETAS
As distribuições de probabilidades podem ser consideradas modelos
probabilísticos para descrever situações reais
Cada modelo probabilístico apresenta uma série de pressuposições
que devem ser atendidas para que ele possa ser utilizado

DISTRIBUIÇÃO BINOMIAL
Uma variável aleatória X: “número de sucessos em n repetições de um
experimento aleatório” assumindo os valores x = 0, 1, 2, ..., n
com probabilidades P(X = x), tem distribuição binomial com
parâmetros n e  , sendo  a probabilidade de “sucesso” em
cada repetição se:

n x n
p( x ) = P( X = x ) =    (1 −  ) n− x
n!
 
n Cx =   =
 x  x!(n − x )!
 x
 As pressuposições, para que uma variável tenha distribuição
binomial, devem ser:

1-) Existem n repetições idênticas do experimento

2-) Só há dois tipos de resultados possíveis em cada repetição
3-) As probabilidades  de “sucesso” e (1 - ) de “fracasso”
permanecem constantes em todas as repetições
4-) Os resultados das repetições são independentes uns dos
outros
Uma variável X com distribuição binomial é representada por:

X ~ b( n;  )
Com média e variância
E( X ) = n  V ( X ) = n    (1 −  )
Número de peças com defeito (Z) em uma amostra de três
peças, sorteadas aleatoriamente de um grande lote, em que
40% das peças são defeituosas (Fictício).
Então: o “sucesso” é ter uma peça defeituosa
40 2
“sucesso” = defeituosa   = =
100 5
60 3
“ fracasso” = boa  (1 −  ) = =
100 5
n Z ~ b(n;  )
p ( z ) = P( Z = z ) =   ( ) z (1 −  ) n − z
z
Z ~ b(3; 2 5)
 3 2 z 2 3− z
p ( z ) = P( Z = z ) =   ( ) (1 − )
z 5 5 Z ~ b(3; 0,4)
Qual é a probabilidade de obter 0; 1; 2 e 3 peças defeituosas?
 3 2 0 2 3 27
p (0) = P( Z = 0) =   ( ) (1 − ) 3−0 = 1 1  ( ) 3 = = 0,2160 = 21,60%
0 5 5 5 125

 3 2 1 2 3−1 2 3 2 54
p (1) = P( Z = 1) =   ( ) (1 − ) = 3  ( )  ( ) = = 0,4320 = 43,20%
1 5 5 5 5 125

 3 2 2 2 3− 2 2 2 3 36
 
p (2) = P( Z = 2) =   ( ) (1 − ) = 3  ( )  ( ) = = 0,2880 = 28,80%
 2 5 5 5 5 125

 3 2 3 2 2 8
p (3) = P( Z = 3) =   ( ) (1 − ) 3−3 = 1  ( ) 3 1 = = 0,0640 = 6,40%
 3 5 5 5 125

Valores possíveis de z Probabilidades p(z)

0 27/125 𝑛
𝑝(𝑧) = 𝑃(𝑍 = 𝑧) = (𝜋)𝑧 (1 − 𝜋)𝑛−𝑧
𝑧
1 54/125
36/125  3 2 z 2
2 p ( z ) = P( Z = z ) =   ( ) (1 − ) 3− z
3 8/125 z 5 5
Z ~ b(n;  ) Z ~ b (3 ; 2 5)
Qual o número médio de peças defeituosas? E( X ) = n 
2
E (Z ) = n   = 3  = 1,2 peças defeituosas
5
Qual a variância de peças defeituosas? V ( X ) = n    (1 −  )

2 3
V ( Z ) = n    (1 −  ) = 3   = 0,72 (peças defeituosas)2
5 5
Qual o desvio padrão de peças defeituosas? DP( X ) = Var ( X )

DP( Z ) = Var ( Z ) = 0,72 = 0,84852...  0,8485 peças. defeituosas

Qual é a probabilidade de obter uma ou mais peças defeituosas?

𝑃 𝑍 ≥ 1 =𝑝 1 +𝑝 2 +𝑝 3 =1−𝑃 𝑍 < 1 =1−𝑃 𝑍 = 0

27 98
=1− = = 0,7840 = 78,40%
125 125
No lançamento de 3 moedas perfeitas, seja Y o números de caras.
a) Obter a distribuição de probabilidade.
b) Obter a forma gráfica da distribuição de probabilidades.
c) Obter a esperança, variância e desvio padrão
1 C
2
Y: “o número de caras” 1 C
2 1 K
1 2
0,50 = 1 C 2 C
2
1 K
2 K
1
1 2
2 C
1
2 C
0,50 = 1 1
K
2 K 1 2
1 2 C
2 K
S = { CCC, CCK, CKC, KCC, CKK, KCK, KKC, KKK}
1
2
K
S = { CCC, CCK, CKC, KCC, CKK, KCK, KKC, KKK}
Valores possíveis de y Probabilidades p(y)
1 0 1/8
“sucesso” = cara =
2 1 3/8
3/8
“fracasso” = coroa (1 −  ) =
1 2
2 3 1/8

n
p ( y ) = P(Y = y ) =   ( ) y (1 −  ) n − y Y ~ b(n;  ) Y ~ b(3; 1 2)
 y
 3 1 0 1 1 1
p (0) = P(Y = 0) =   ( ) (1 − ) 3−0 = 1 1  ( ) 3 = = 0,1250 = 12,50%
0 2 2 2 8
 3 1 1 1 1 1 3
p (1) = P(Y = 1) =   ( ) (1 − ) 3−1 = 3  ( )( ) 2 = = 0,3750 = 37,50%
1 2 2 2 2 8
 3 1 1 1 1 3
p (2) = P(Y = 2) =   ( ) 2 (1 − ) 3− 2 = 3  ( ) 2 ( )1 = = 0,3750 = 37,50%
 2 2 2 2 2 8

 3 1 3 1 1 1
p (3) = P(Y = 3) =   ( ) (1 − ) 3−3 = 1  ( ) 3 1 = = 0,1250 = 12,50%
 3 2 2 2 8
 p(y) Y ~ b(3; 1 2)
3
8

E (Y ) = n  
1
8
1
0 E (Y ) = 3  = 1,5 caras
2
0 1 2 3 Y

n
 1  3  3  1 3
E (Y ) =  yi  p( yi ) E (Y ) =  0   + 1   +  2   +  3   = = 1,5 caras
i =1  8  8  8  8 2

V (Y ) = E (Y ) − E (Y )
n
E (Y ) =  yi2  p( yi )
3
2 2
E (Y ) =
2

i =1 2

 1  3  3  1 2

E (Y ) =  0 2   + 12   +  2 2   +  32   = 3
2
E (Y ) =  3  = 9
2

 8  8  8  8 2 4

9 3 1 1 3
V (Y ) = 3 − = caras 2 V (Y ) = n    (1 −  ) V (Y ) = 3   (1 − ) = caras 2
4 4 2 2 4

DP(Y ) = Var (Y ) DP(Y ) = 3 4 caras

Dados mostram que 6% dos itens provindos de um fornecedor
apresentam algum tipo de problema, considerando um lote com 20
itens, calcular: a-) a probabilidade de ocorrer exatamente dois itens com
problemas b-) a probabilidade de ocorrer mais de dois itens com problemas
c-) a variância de itens com problemas d-) o número esperado de itens sem
problemas. Y: “o número de itens com problema” 𝑛 = 20 𝜋 = 0,06
𝑛
𝑌~𝑏(20; 0,06) 𝑝(𝑦) = 𝑃(𝑌 = 𝑦) = 𝑦 (𝜋)𝑦 (1 − 𝜋)𝑛−𝑦

20
a-) 𝑃(𝑌 = 2) = 2 (0,06)2 (0,94)20−2 = 190 ⋅ (0,06)2 (0,94)18 ≅ 0,2246

b-) 𝑃(𝑌 > 2) = 𝑝 3 + 𝑝 4 + 𝑝 5 + ⋯ + 𝑝 20 = 1 − [𝑝 0 + 𝑝 1 + 𝑝 2 ]

20
𝑃(𝑌 = 0) = (0,06)0 (0,94)20−0 = 1 ⋅ (0,06)0 (0,94)20 ≅ 0,290106
0
20
𝑃(𝑌 = 1) = (0,06)1 (0,94)20−1 = 20 ⋅ (0,06)1 (0,94)19 ≅ 0,370348
1
 20
𝑃(𝑌 = 2) = (0,06)2 (0,94)20−2 = 190 ⋅ (0,06)2 (0,94)18 ≅ 0,2246
2

𝑃(𝑌 > 2) ≅ 1 − [0,290106 + 0,370348 + 0,224572] ≅ 1 − 0,885024

𝑃(𝑌 > 2) ≅ 0,1150

c-) a variância de itens com problemas

𝑉(𝑌) = 𝑛 ⋅ 𝜋 ⋅ (1 − 𝜋) = 20 ⋅ 0,06 ⋅ (0,94) = 141 (itens com problema)²

125

d-) o número esperado de itens sem problemas.

𝑍: “o número de itens sem problema” 𝑛 = 20 𝜋 = 0,94

𝑍~𝑏(20; 0,94)

94
𝐸(𝑍) = 𝑛 ⋅ 𝜋 = 20 ⋅ 0,94 = itens sem problemas
5
 DISTRIBUIÇÕES DISCRETAS
As distribuições de probabilidades podem ser consideradas modelos
probabilísticos para descrever situações reais
DISTRIBUIÇÃO DE POISSON
Uma variável aleatória X: número de ocorrências “raras”, em um
intervalo de tempo, em uma superfície, em um volume.
Exemplos: - Número de itens defeituosos numa linha de produção,
durante um intervalo de tempo.
- Número de falhas de um computador, em um dia de
operação.
- Número de animais selecionados em um programa de
melhoramento.
- Número de bactérias por unidade de volume em um grande
recipiente.
 Esta variável aleatória X, assumindo os valores x = 0, 1, 2, ... com
probabilidades P(X = x), tem distribuição de Poisson com
parâmetro λ , sendo λ o número médio das ocorrências, se a
sua função de probabilidade for:

e −   x
p ( x ) = P( X = x ) = e = 2,718 281 828 459 045 235 360 287

x!
Uma variável X com distribuição de Poisson é representada por:

X ~ Poi(  )
Com média e variância

E( X ) = V ( X ) = 
n 
 x xn
e = lim 1 +  ; e = lim (1 + n ) ; e = 
x
x x n x
; x =1
n →  n n →0 + n =0 n!
O número de itens descartados (Z) pelo controle de qualidade de uma
empresa é uma variável aleatória com média de 5 itens descartados
por dia. Qual a probabilidade de num determinado dia ocorrer:

- nenhum descarte, 1, 2, 3 ,4, 5, 6, 7, 8 descartes?

- 20 descartes?
- mais do que 8 descartes?
- calcular: E ( Z ) ; V ( Z ) e DP( Z )
Qual a probabilidade de ocorrer 2 peças descartadas em uma hora, de
um determinado dia?

−  = 5 itens descartados
e  z
p( z ) = P( Z = z ) =
z! Z ~ Poi (5)
 e −5  50
p (0) = P( Z = 0) = = 0,00673...  0,0067  0,67%
0!
e −5  51
p (1) = P( Z = 1) = = 0,03368...  0,0337  3,37%
1!
e −5  52
p (2) = P( Z = 2) = = 0,08422...  0,0842  8,42%
2!
e −5  53
p (3) = P( Z = 3) = = 0,14037...  0,1404  14,04%
3!
e −5  54
p (4) = P( Z = 4) = = 0,17546...  0,1755  17,55%
4!
e −5  55
p (5) = P( Z = 5) = = 0,17546...  0,1755  17,55%
5!
e −5  56
p (6) = P( Z = 6) = = 0,14622...  0,1462  14,62%
6!
e −5  57
p (7 ) = P ( Z = 7 ) = = 0,10444...  0,1044  10,44%
7!
e −5  58
p (8) = P( Z = 8) = = 0,06527...  0,0653  6,53%
8!
 Forma gráfica
p(z)
0,20

0,15

0,10

0,05 ...
Z
0
0 1 2 3 4 5 6 7 8 ...

e −5  520
P(Z = 20) = = 0,000000264...  0,0000  0,00%
20!
Mais do que 8 descartes?

P(Z  8) = p (9) + p (10) + p (11) + p (12) +   

p (0) + p (1) +    + p (8) + p (9) + p (10) +    = 1  p( z ) = 1

i
i

P(Z  8) = 1 − P( Z  8)

P(Z  8) = 1 − [ p (0) + p (1) +    + p (8)]

P(Z  8)  1 − [0,0067 + 0,0337 +    + 0,0653]

 1 − 0,9319 →
P(Z  8)  0,0681  6,81%
 Calcular: E ( Z ) ; V ( Z ) e DP( Z ) Z ~ Poi (5)
E (Z ) =  = 5 itens descartados
E (Z ) = V (Z ) = 
Var (Z ) = 5 (itens descartados) 2

DP( Z ) = V (Z ) = 5  2,2360...  2 itens descartados

Qual a probabilidade de ocorrer 2 peças descartadas em uma hora, de

um determinado dia?
5
 = 5 itens descartados  = itens descartados
dia 24
hora
 5  2
− 
 5 
e  24 
 
p (2) = P( Z = 2) =  24  = 0,01762...  0,0176  1,76%
2!
O número de acidentes (W) na passagem Leste/Oeste é uma variável
aleatória com média de 0,5 acidentes por semana.

- Qual a probabilidade de numa determinada semana ocorrer um ou

mais acidentes?

- Qual a probabilidade de nenhum acidente em um dia, em uma

determinada semana

 = 0,5 acidentes

𝑒 −𝜆 ⋅ 𝜆𝑤
𝑝(𝑤) = 𝑃(𝑊 = 𝑤) =
𝑤!

𝑊~𝑃𝑜𝑖(0,5)
 Um ou mais acidentes?

𝑃(𝑊 ≥ 1) = 𝑝(1) + 𝑝(2) + 𝑝(3) + 𝑝(4) +⋅⋅⋅

𝑝(0) + 𝑝(1) + 𝑝(2) + 𝑝(3) + 𝑝(4) +⋅⋅⋅= 1

෍ 𝑝(𝑤𝑖 ) = 1
𝑖
𝑃(𝑊 ≥ 1) = 1 − 𝑃 𝑊 < 1 = 1 − 𝑃 𝑊 = 0
𝑒 −0,5 ⋅ 0, 50
𝑝(0) = 𝑃(𝑊 = 0) = = 0,606530. . . ≅ 0,6065
0!
𝑃(𝑊 ≥ 1) ≅ 1 − 0,606530 … ≅ 0,39646 … ≅ 0,3965 ≅ 39,65%

Qual a probabilidade de nenhum acidente em um dia, em uma determinada semana

𝜆 = 0,5 acidentes ൗ 0,5

𝜆= acidentes൘
semana ⇒ 7
𝑑𝑖𝑎
0,5 0
− 0,5
𝑒 7 ⋅
7
𝑝(0) = 𝑃(𝑊 = 0) = = 0,93106. . . ≅ 0,9311 ≅ 93,11%
0!
 DISTRIBUIÇÃO BINOMIAL
Uma variável aleatória X: “número de sucessos em n repetições de um
experimento aleatório” assumindo os valores x = 0, 1, 2, ..., n com
probabilidades P(X = x), tem distribuição binomial com parâmetros
n e  , sendo  a probabilidade de “sucesso” em cada repetição se:

n x
p( x ) = P( X = x ) =    (1 −  ) n− x E( X ) = n  V ( X ) = n    (1 −  )
 x

DISTRIBUIÇÃO DE POISSON
Esta variável aleatória X, assumindo os valores x = 0, 1, 2, ... com
probabilidades P(X = x), tem distribuição de Poisson com
parâmetro λ , sendo λ o número médio das ocorrências, se a sua
função de probabilidade for:

e −   x
p ( x ) = P( X = x ) = E( X ) = V ( X ) = 
x!
 Variáveis aleatórias
Discretas Os possíveis resultados estão
contidos em um conjunto
enumerável

Contínuas Os possíveis resultados

abrangem todo um intervalo
de números reais
Medir o tempo gasto de uma reação química Y: Tempo 1,2 ≤ y ≤ 3,4

S = { y Є ℜ; y > 0}

S = { y Є ℜ; 1,2 ≤ y ≤ 3,4} = [1,2 ; 3,4]

Y
1,2 3,4

Os possíveis resultados abrangem todo um intervalo de números reais

 Se X for contínua, a distribuição de probabilidades de X pode ser
descrita pela chamada função de densidade de probabilidades
f(x), sendo a probabilidade de X estar em um intervalo [a, b] dada
pela integral de f(x) de a até b.
f (x)

x
a b

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

de probabilidade é uma +
função tal que: 2-)
− 
f ( x) d ( x) = 1
b
3-) P( a  x  b ) = a
f ( x) d ( x)
 +
Função gama ( ) =  x −1e − x dx
0
O tempo gasto, em minutos, para que uma reação química se realize
é uma variável aleatória contínua com a seguinte função de
densidade:
 0 se x  1,0

 x2 1 
x
2
+1 se 1,0  x  3,0
f ( x) =  + se 1,0  x  3,0 f ( x) =  10 15
 10 15 
 0, caso contrário

 0 se x  3,0

Y x2 1
y= + X Y
f(x) 10 15
-4 50/30
-3 29/30
-2 14/30
c -1 5/30
v 0 2/30
1 5/30
2 14/30
3 29/30
x 4 50/30
X
O tempo gasto, em minutos, para que uma reação química se realize
é uma variável aleatória contínua com a seguinte função de
densidade:
 0 se x  1,0
x2
f ( x) =  +1 se 1,0  x  3,0
10 15
 x  3,0
 0 se


x
2
+1 se 1,0  x  3,0
f(x) f ( x) =  10 15

 0, caso contrário

c
v

x
-4 -3 -2 -1 0 1 2 3 4

Verificar se f (x), assim definida, representa a função densidade

de probabilidade do tempo para que a reação química se realize
Verificar se f (x), assim definida, representa uma função densidade.


x
2
+1 se 1,0  x  3,0
f ( x) =  10 15 1-) f ( x )  0

 0, caso contrário

f (x) é positiva para qualquer valor de x no intervalo de 1 a 3

minutos e igual a zero fora deste intervalo

+ 3
2-)  f ( x) d ( x) = 1   f ( x) d ( x) = 1
− 1

x 1
3
1 x 
2 3
 
3 1 3 2 1 3 1
  +  dx =  x dx +  = + =
3
dx   x 1
1
 10 15  10 1 15 1 10  3 1 15

1  27 1  1 Portanto f(x) representa

=  −  + (3 − 1) = + = 1 uma função densidade de
13 2
10  3 3  15 15 15 probabilidade
 Calcular a probabilidade da reação ocorrer entre 2 e 3 minutos.
f(x)

c
v

-4 -3 -2 -1 0 1 2 3 4

x 1
3
1 x 
2 3
 
3 1 3 2 1 3 1
  +  dx =  x dx +  = + =
3
dx   x 2
2
 10 15  10 2 15 2 10  3  2 15

1  27 8  1
=  −  + (3 − 2) = + = = 0,7000  70,00%
19 1 21
10  3 3  15 30 15 30
 Calcular a probabilidade da reação ocorrer em 1,5 minutos.

1,5  x2 1  1 1,5 2 1 1,5


1, 5
 +  dx =  x dx +
 10 15  10 1,5 
15 1,5
dx =

1,5
1 x 
3
1 9 9 1
=   +
1
x1,5 =  −  + (1,5 − 1,5) = 0
1,5

10  3 1,5 15 10  8 8  15

P( a  X  b) = P( a  X  b) =
= P( a  X  b) = P( a  X  b)
 Média , valor esperado , esperança matemática ou média
populacional de uma variável aleatória contínua X

+
 X = E ( X ) =  x f ( x) d ( x)
−

O tempo médio para que uma reação química se realize:

 x2 1   x3 x  1 3 1 3
 
3 3
E( X ) =  x  +  dx =   +  dx = x dx +
3
x dx
1
 10 15  1
 10 15  10 1 15 1
3 3
1 x  1 x 
4
1  81 1  1  9 1 
2
=   +   = 10  4 − 4  + 15  2 − 2 
10  4 1 15  2 1    
4 34 f(x)
E ( X ) = 2 + =  2,3 min c
15 15 v

-4 -3 -2 -1 0 1 2 3 4 x
 Variância de uma variável aleatória contínua X

x − E ( X ) 2 f ( x) d ( x)
+
 = V ( X ) = Var ( X ) = 
2
X
−

 X2 = V ( X ) = Var ( X ) = E ( X 2 ) − E ( X ) 2
A variância do tempo para que a reação química se realize:

V ( X ) = E ( X ) − E ( X )
+ 34
2 2
E ( X ) =  x f ( x) d ( x)
2 2
E( X ) =
− 15
3  x2 1   x4 x2  1 3 4 1 3 2
E( X ) =   +  dx =  x dx + 
3
2
x  +  dx = 
2
  x dx
1
 10 15  1
 10 15  10 1 15 1

3 3
1 x  1  x  1  243 1  1  27 1  1219
5 3
=   +   = 10  5 − 5  + 15  3 − 3  = 225
10  5 1 15  3 1    
2
1219  34  7
V ( X ) = E ( X 2 ) − E ( X ) 2 = −  =  2
0,3 min
225  15  25
 Desvio padrão de uma variável aleatória contínua X,

 X = DP( X ) = Var ( X )

O DP do tempo para que uma reação química se realize:

7
 X = DP( X ) = 7 25 =  0,5 min
5