Vari

aveis aleat
orias e suas distribuic
oes

Metodos Numericos e Estatsticos

Parte II-Metodos Estatsticos
Variaveis aleatorias e suas distribuicoes
Lusa Morgado

Lic. Eng. Biomedica e Bioengenharia-2009/2010

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Variavel aleatoria
uma funcao, com propriedades especiais, que transforma eventos
E
em n
umeros, ou mais genericamente, em vectores:
A funcao X : RX Rn diz-se uma variavel aleatoria (v.a.)
se verifica a condicao de mensurabilidade
x R,

X 1 ((, x]) A,

onde X 1 ((, x]) = { : X () x}, e o espaco de

resultados esta associado `a -algebra A.
A v.a. diz-se
unidimensional se n = 1;
bidimensional se n = 2;
multidimensional se n > 2.
ou ainda
discreta, caso tome valores em RX em n
umero finito ou numer
avel;
contnua, quando o seu conjunto de valores
e infinito n
ao numer
avel.
Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Funcao de probabilidade

Seja X uma v.a. discreta (RX = {x1 , x2 , . . .} e um conjunto finito

ou numeravel). A funcao de probabilidade de X (f.p.) e dada por
P(X = x) = P ({ : X () = x}) =

P(X = xi ), x = xi RX
0, c.c.

e satisfaz
P(X = x) > 0, x RX ;
xR P(X

= x) =

xRX

Lusa Morgado

P(X = x) =

P(X = xi ) = 1.

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
Considere-se um teste americano com 3 quest
oes, cujas respostas s
ao dadas de forma
independente. A resposta a cada quest
ao pode estar correcta (C ), com probabilidade
P(C ) = 0.5, ou incorrecta (C ), com probabilidade P(C ) = 0.5. A classificac
ao das 3
quest
oes
e ent
ao uma e.a. cujo espaco de resultados
e formado por 8 eventos
elementares:
= {CCC , C C C , C CC , C CC , C C C , C C C , C C C , C C C }.
Considerando a v.a. X = no de respostas correctas no teste, verificamos que o seu
contradomnio
e {0, 1, 2, 3} e portanto X
e uma v.a. discreta.
A sua f.p.
e dada por
P(X = 0)

P(C C C ) = P(C1 C2 C3 ) = P(C1 )P(C2 )P(C3 ) = 0.53

P(X = 1)

P(C C C ) + P(C C C ) + P(C C C ) = 3 0.53

P(X = 2)

P(CC C ) + P(C C ) + P(C CC ) = 3 0.53

P(X = 3)

P(CCC ) = 0.53

ou resumidamente P(X = x) =

1
,
8
3
,
8

0,

x = 0, 3
x = 1, 2
outros valores de

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Funcao de distribuicao
A funcao de distribuicao (f.d.) de uma v.a. X (independentemente
de esta ser discreta ou contnua) e dada por
FX (x) = P(X x),

x R.

Nota: A f.d. tem como domnio R e toma valores no intervalo

[0, 1] uma vez que se trata de uma probabilidade, i.e.
FX (x) : R [0, 1] quer X seja uma v.a. discreta ou contnua.
Funcao de distribuicao de uma v.a. discreta
A f.d. de uma v.a. discreta (com contradomnio RX =
{x1 , x2 , . . .}) pode escrever-se `a custa da f.p de X:
FX (x) = P(X x) =

P(X = xi ),

x R.

xi x

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
No exemplo anterior, em que X =no de respostas correctas no
teste americano, temos

0, x < 0

, 0x <1

81 3
1x <2
8 + 8,
FX (x) =
3
3
1
+
+
, 2x <3

8 8 8

1 3 3 1
x 3
8 + 8 + 8 + 8,

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Uma v.a. pode ser caracterizada, embora parcialmente, por

parametros que se podem dividir em tres grupos:
1 Par
ametros de localizacao central
valor esperado
moda
mediana
2

Parametros de localizacao nao central

Parametros de dispersao

quantil de probabilidade (ou quantil de ordem) p

variancia
desvio padrao
coeficiente de variacao

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Valor esperado de uma v.a. discreta

O valor esperado de uma v.a. discreta (com contradomnio
RX = {x1 , x2 , . . .}) e dado por:
E (X ) =

xP(X = x).
x

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

O valor esperado de uma v.a. X satisfaz as propriedades

b R;

E (b) = b,

E (aX + b) = aE (X ) + ba, b R;

Sendo Y = (X ) uma v.a. funcao mensuravel da v.a.

discreta X , E (Y ) = E [(X )] = x (x)P(X = x);

Geralmente, tem-se E [(X )] = [E (X )];

Se X e uma v.a. inteira nao negativa, i.e.,

RX = {0, 1, 2, 3, . . .}, entao
+

E (X ) =

[1 FX (x)].

P(X > x) =
x=0

Lusa Morgado

x=0

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Recordemos o exemplo anterior, em que

X = no de respostas correctas no teste americano
e
1
8 , x = 0, 3
3
P(X = x) =
, x = 1, 2
8
0, outros valores de x
Assim
3

xP(X = x) = 0

E (X ) =
x=0

1
3
3
1
+ 1 + 2 + 3 = 1.5
8
8
8
8

Nota: Note que o valor esperado nao pertence ao conjunto de

valores possveis da v.a. X .

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Moda de uma v.a. discreta

A moda de uma v.a. discreta X , mo = mo(X ), e o valor da
v.a. que ocorre com mais frequencia e como tal, corresponde
ao ponto de maximo da f.p. de X , i.e.
mo(X ) : P(X = mo) = maxx P(X = x).
Exemplo
No exemplo que temos vindo a considerar, mo = mo(X ) = 1 e 2.
Tal como este exemplo ilustra, nem sempre a moda e u
nica.
Diz-se, neste caso, que X e bimodal (tem duas modas).

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Mediana de uma v.a. discreta

A mediana de uma v.a. discreta, me = me(X ) = FX1
tem a particularidade de verificar
P(X me)
P(X me)

1
2

1
2
1
2

o que e equivalente a
me :

1
1
FX (me) + P(X = me).
2
2

Nota: A mediana de uma v.a. discreta pode nao ser u

nica,
passando, neste caso, a falar-se de classe mediana.
Exemplo
No exemplo que temos vindo a apresentar, a mediana nao e u
nica.
Esta pode ser dada por qualquer valor no intervalo [1, 2]. Diz-se,
neste caso, que o intervalo [1, 2] e a classe mediana.
Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Quantil de probabilidade p de uma v.a. discreta

O quantil de probabilidade p de uma v.a. discreta, p =
p (X ) = FX1 (p), tem a particularidade de verificar
P(X p ) p
P(X p ) 1 p
A mediana da v.a. discreta X , corresponde a 1 . Outros quantis frequentemente
2

usados:
FX1

1
4

1o quantil

3 = FX1

3
4

3o quantil

1 =
4

1
100

= FX1

1
100

n
100

= FX1

n
100

1
10

FX1

1
10

1o percentil
n
esimo percentil, n = 1, 2, 3, . . . , 99
1o

decil

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Variancia
A variancia de uma v.a. X discreta ou contnua e dada por:
V (X ) = E (X 2 ) E 2 (X ).

A variancia de uma v.a. X satisfaz as propriedades

b R;

V (b) = 0,

V (X ) 0, qualquer que seja a v.a. X ;

V (aX + b) = a2 V (X )a, b R.

A variancia nao e expressa nas mesmas unidades que a v.a., pelo

que e costume recorrer-se a outra medida de dispersao absoluta: o
desvio padrao.

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Desvio padrao
a raz quadrada positiva da variancia de uma v.a. X discreta
E
ou contnua:
DP(X ) = V (X ).
Finalizamos, apresentando uma medida de dispersao relativa:
Coeficiente de variacao
O coeficiente de variacao de uma v.a. X discreta ou contnua,
e dado por:
DP(X )
CV (X ) =
.
|E (X )|

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao uniforme discreta

Esta distribuicao e razoavel quando a v.a. discreta toma n valores
distintos x1 < x2 < . . . < xn , todos com igual probabilidade.
Distribuicao uniforme discreta
A v.a. X diz-se ter distribuicao uniforme discreta no
conjunto {x1 , x2 , . . . , xn }, e escreve-se X uniforme
discreta({x1 , x2 , . . . , xn }), caso a sua f.p. seja igual a
P(X = x) =

1
n, x

= x1 , x2 , . . . , xn
0, c.c.

Valor esperado: E (X ) = n1 ni=1 xi

Variancia: V (X ) = n1 ni=1 xi2 n1

Lusa Morgado

2
n
i=1 xi

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
Um conjunto de n amostras de solo, das quais s
o uma est
a contaminada com uma
perigosa subst
ancia qumica, chega a um laborat
orio. Suponhamos que a amostra de
solo contaminado n
ao foi devidamente etiquetada e consideremos a v.a. X que
representa o no total de amostras inspeccionadas, obviamente sem reposic
ao, at
e ser
identificada a amostra contaminada.. Determinemos a f.p. de X . Ora:
P(X = 1)

P(X = 2)

P(X = 3)

1
n
1
n1 1
=
n n1
n
n1n2 1
1
=
n n1n2
n

..
.
P(X = x)

1
, x = 1, 2, . . . , n
n
0, c.c.

donde se conclui que X uniforme discreta({1, 2, . . . , n}).

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

A f.d de X
e:

0, x < 1

,1 x < 2

n,2 x < 3
FX (x) = P(X x) =
..

n1

,n 1 x < n

n
1, x n
n(n+1)
2

e atendendo a que nx=1 x =

o valor esperado de X
e
n

E (X ) =

n
x=1

xP(X = x) =
x=1

x
x=1

x2 =

1
1
=
n
n

n(n+1)(2n+1)
,
6

x=
x=1

1 n(n + 1)
n+1
=
n
2
2

e a vari
ancia de X
e
n

V (X ) = E (X 2 )E 2 (X ) =

x 2 P(X = x)
x=1

Lusa Morgado

n+1
2

1
n

x 2
x=1

n+1
2

Vari
aveis aleat
orias e suas distribuic
oes

n2 1
12

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao de Bernoulli
Uma e.a. diz-se uma prova de Bernoulli se tiver apenas dois
resultados possveis:
um sucesso, que ocorre com probabilidade p, 0 p 1;
um insucesso, que ocorre com probabilidade 1 p
Distribuicao de Bernoulli
A v.a. X =no de sucessos numa prova de Berrnoulli, tem
distribuicao de Bernoulli, com parametro p, e escreve-se
X Bernoulli(p), e a sua f.p. e dada por
P(X = x) =

p x (1 p)1x , x = 0, 1
0, c.c.

Valor esperado: E (X ) = p
Variancia: V (X ) = p(1 p)
Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao binomial
Esta distribuicao e particularmente u
til na caracterizacao
o
probabilstica do n de sucessos em n provas de Bernoulli,
realizadas de forma independente e com probabilidade de sucesso
comum p.
Distribuicao binomial
A v.a. X =no de sucessos num conjunto de n provas de
Bernoulli independentes com probabilidade de sucesso comum
p, tem distribuicao binomial, de parametros (n, p), e escreve-se
X binomial(n, p), e a sua f.p. e dada por
P(X = x) =

n
p x (1 p)nx , x = 0, 1, 2, . . . , n
x

0, c.c.

n
n!
= x!(nx)!
. Valor esperado: E (X ) = np
x
Vari
ancia: V (X ) = np(1 p)
onde

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

A f.d. da v.a. X binomial (n, p) e dada por

0, x < 0

n
[x]
p i (1 p)ni , 0 x < n
FX (x) = P(X x) =
i=0
i

1, x n
onde [x] representa a parte inteira do real x, i.e., corresponde ao
maior inteiro menor ou igual a x. Assim, note que [1.7] = 1 e
[1.7] = 2, por exemplo.
Esta funcao encontra-se tabelada para alguns valores de n e p.
Consultando as tabelas, podemos escrever, por exemplo
v.a.
X binomial(9, 0.1)
X binomial(10, 0.4)
Lusa Morgado

x
4
8

FX (x)
0.9991
0.9983

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

No scilab, sendo X binomial(n, p), o comando

pr=binomial(p,n)
devolve um vector pr cujas entradas sao os valores de P(X = x),
x = 0, 1, 2, . . . , n. Assim sendo, pr(k+1) representa P(X = k),
k = 0, 1, 2, . . . , n.
O comando cdfbin(PQ,x,n,p,1-p) representa FX (x).
Para obter os valores da tabela, teramos que executar os comandos
cdfbin(PQ,4,9,0.1,0.9)
cdfbin(PQ,8,10,0.4,0.6).

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
A probabilidade de as leis de Kirchhoff virem a ser violadas,
durante um teste laboratorial a que se submete certo tipo e
indutor, e igual a 0.1.
Determinemos a probabilidade desta lei vir a ser violada mais de 4
vezes em 9 destes testes laboratoriais.
Sendo X = no de violac
oes das leis de Kirchhoff em 9 testes
laboratoriais, tem-se
X
binomial(9, 0.1)
A probabilidade pedida e dada por
P(X > 4) = 1 P(x 4) = 1 0.9991 = 0.0009.

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao geometrica
Esta distribuicao e u
til quando pretendemos contabilizar o no total
de provas de Bernoulli realizadas ate o registo do 1o sucesso.
Distribuicao geometrica
A v.a. X =no de provas de Bernoulli independentes com probabilidade de sucesso comum p, realizadas ate `a ocorrencia do 1o
sucesso, tem distribuicao geometrica, de parametro p, e escreve-se
X geometrica(p), e a sua f.p. e dada por
P(X = x) =
Valor esperado: E (X ) =
Vari
ancia: V (X ) =

(1 p)x1 p, x = 0, 1, 2, . . .
0, c.c.

1
p

1p
p2

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

A f.d. da v.a. X geometrica(p) nao esta tabelada por se obter

facilmente, uma vez que estamos a lidar com uma serie
geometrica. Com efeito:
FX (x) = P(X x) =

0,

x <1
p)i 1p = 1 (1 p)[x] , x 1

[x]
i=1 (1

onde [x] representa a parte inteira de x.

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
Estudos efectuados indicaram que a probabilidade de ser detectada
a presnca de alto teor de metais pesados numa amostra de solo
proveniente de um certo local e de 0.01.
determinemos o valor esperado do no total de amostras
selecionadas ao acaso ate que seja detectada a primeira com alto
teor de metais pesados.
Ora, sendo X = no total de amostras seleccionadas ate que seja
detectada a primeira com alto teor de metais pesados, tem-se
X geometrica(0.01).
O valor pedido e entao dado por
E (X ) =

1
= 100 amostras.
0.01

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao hipergeometrica
Distribuic
ao hipergeom
etrica
Considere-se que
N =no total de elementos de uma populac
ao (dimens
ao da populac
ao);
M =no de elementos dessa populac
ao que possuem uma determinada
caracterstica (sucesso);
N =no de extracc
oes sem reposic
ao.
A v.a. X =no elementos com certa caracterstica (sucesso), em n extrados ao acaso,
sem reposic
ao, da populac
ao de dimens
ao N, tem distribuic
ao hipergeom
etrica, de
par
ametros (N, M, n), e escreve-se X hipergeom
etrica(N, M, n), e a sua f.p.
e dada
por

P(X = x) =

N M
nx
N
n

M
x

0,

, x = max{0, n (N M)}, . . . , min{n, M}

c.c.

Valor esperado: E (X ) = n M
N
Vari
ancia: V (X ) = n M
N

M
N

Nn
N1

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
Na fase de concepc
ao de um processo de controlo de qualidade do fabrico, foram
escolhidos 100 cabos dos quais apenas 2 apresentavam desvios superiores a 9.8
microns. Se desses 100 cabos forem seleccionados 10 ao acaso e sem reposic
ao, qual a
probabilidade de mais do que um ter um desvio superior a 9.8 microns?
Ora, sendo N = 100, M = 2 e n = 10, a v.a.
X =no de cabos com um desvio superior a 9.8 microns, em 10 cabos seleccionados ao
acaso e sem reposic
ao de um lote de 100, dos quais apenas 2 apresentam desvios
superiores a 9.8 microns
tem-se
X hipergeom
etrica(100, 2, 10).
A probabilidade pedida
e ent
ao dada por

P(X > 1) = P(X = 2) =

Lusa Morgado

2
2

100 2
10 2
100
10

1
.
110

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao de Poisson
frequentemente utilizada na contagem de ocorrencias de certo
E
tipo de eventos, em perodos fixos de tempo. Exemplos do tipo de
eventos sao chegadas, partidas, acidentes, falhas de equipamento,
no de excedencias de nveis de pluviosidade, ondas, mares, etc.
Distribuicao de Poisson
A v.a. X que tem distribuicao de Poisson, de parametro , e escrevese X Poisson(), tem a particularidade de possuir valor esperado
e variancia iguais ao parametro que define a sua distribuicao. A sua
f.p. e dada por
x

P(X = x) =

e x! , x = 0, 1, 2, . . .
0, c.c.

Valor esperado: E (X ) =
Vari
ancia: V (X ) =

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

A f.d. da v.a. X Poisson(), dada por

FX (x) = P(X x) =

0,

x <0
[x]
i
i=0 e
i!

encontra-se tabelada. Podemos tambem recorrer ao scilab.

X Poisson()
= 0.05
=3
= 12
= 20

x
0
1
1
14

FX (x) (tabelas)
FX (0) = 0.9512
FX (1) = 0.1991
FX (1) = 0.0001
FX (14) = 0.1049

Lusa Morgado

FX (x) cdfpoi(PQ, x, ) (scilab)

cdfpoi(PQ, 0, 0.05) = 0.9512294
cdfpoi(PQ, 1, 3) = 0.1991483
cdfpoi(PQ, 1, 12) = 0.0000799
cdfpoi(PQ, 14, 20) = 0.1048643

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
A procura de uma luxuosa marca de autom
ovel segue uma lei de
Poisson. Sabe-se ainda que a probabilidade de numa semana nao
existir procura e igual a e 3 . Pretende-se saber qual a
probabilidade de a procura semanal exceder pelo menos 2
automoveis.
x
Sabemos entao que P(X = x) = e x! , x = 0, 1, 2, . . . e que
P(X = 0) = e 3 . Daqui resulta que
P(X = 0) = e 3 e

0
= e 3 = 3.
0!

A probabilidade pedida e entao dada por

P(X 2) = 1 P(X < 2) = 1 P(X 1) = 1 FPoisson(3) (1)
= 1 0.1991 = 0.8009
Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Variavel aleatoria contnua

A v.a X diz-se contnua ,caso

possua f.d. FX (x) = P(X x) contnua em R
e exista uma funcao real de variavel real fX (x), que verifique
fX (x) 0, x R
FX (x) = P(X x) =

x
fX (t)dt

A funcao fX (x) e denominada de funcao densidade de

probabilidade (f.d.p).

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Propriedades da f.d.p

+
fX (x)dx = 1;
b
a fX (x)dx = P(a <

x b), a < b.

Note ainda que sendo X uma v.a. contnua:

1

P(X = x) = 0, x R

P(a < x b) = FX (b) FX (a), a < b.

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
O tempo (em anos) entre duas colis
oes consecutivas de detritos
espaciais com diametro maior que 1mm num satelite em MEO
(Medium Earth Orbit) e uma v.a. contnua com f.d.p. dada por
fX (x) =

0, x < 0
0.4e 0.4x , x 0

Determinemos a probabilidade do tempo entre duas colisoes

consecutivas exceder um ano e tres meses:
1.25

P(X > 1.25) = 1 P(X 1.25) = 1

fX (x)dx

fX (x)dx = e 0.5 .

1.25

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Tal como no caso das v.a. discretas e importante sabermos

determinar medidas de
localizacao central
localizacao nao central
dispersao.
O processo e analogo ao caso discreto, tendo em conta que onde
tnhamos
v.a. discreta:

xR

ou P(X = x)

passamos a ter
v.a. contnua:

ou fX (x)

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao uniforme contnua

Distribuicao uniforme contnua

A v.a. X diz-se ter distribuicao uniforme contnua no intervalo
[a, b], e escreve-se X uniforme (a, b), caso a sua f.d.p. seja
dada por
1
ba , a x b
fX (x) =
0, c.c.
Valor esperado: E (X ) =
Variancia: V (X ) =

a+b
2

(ba)2
12

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

A f.d. da v.a. X uniforme (a, b) e igual a

0, x < a
xa
,a x b
FX (x) = P(X x) =
ba
1, x > b
Dada a sua simplicidade, nao se encontra tabelada.

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao normal
Esta distribuicao surge associada `a modelacao de observacoes
relativas a diversas medic
oes.
Distribuicao normal
A v.a. X diz-se ter distribuicao normal de parametros e 2 ,
e escreve-se X normal (, 2 ), se a sua f.d.p. e
fX (x) =

(x)2
1
e 22
2

Valor esperado: E (X ) =
Variancia: V (X ) = 2
A sua f.d.
e

FX (x) =

1
2

(t)2
2 2

dt

que apenas pode ser obtida numericamente.

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

X
normal(0, 1).
t2
z
1 e 2 dt = (z).
2

Se X normal(, 2 ), entao a v.a. Z =

Z possui f.d. dada por FZ (z) =

A funcao encontra-se tabelada. Podemos tambem recorrer ao

scilab.
z
0
1.07
4.04

(z)(tabelas)
0.5
0.8577
0.99997

(z) cdfnor(PQ, z, , ) (scilab)

cdfnor(PQ, 0, 0, 1)=0.5
cdfnor(PQ, 1.07, 0, 1)=0.8576903
cdfnor(PQ, 4.04, 0, 1)=0.9999733

Para o c
alculo de em valores negativos, recorrendo `
as tabelas, temos que atender
em primeiro lugar `
a simetria da f.d.p. da normal padr
ao para concluir que dado z R,
(z) = 1 (z)

Exemplo
(2.53) = 1 (2.53) = 0.0057
No scilab faz-se cdfnor(PQ, 2.53, 0, 1).
Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Existem tambem tabelas de quantis da distribuicao normal padrao.

Os quantis de probabilidade p, 0.5 p 1, (FZ1 (p), sao obtidos
sem dificuldade, como p.e.,
FZ1 (0.975) = 1 (0.975) = 1.9600.
Mas note-se que os quantis de probabilidade p < 0.5 sao negativos
e p.e.:
1 (0.023) = 1 (1 0.023) = 1.9954.
No scilab para determinar o quantil de probabilidade p,
(independentemente deste ser superior ou inferior a 0.5) de uma
v.a. com distribuicao normal, basta executar o comando
cdfnor(X , , , p, 1 p).

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Exemplo
As especificaco
es sobre o di
ametro de em certo tipo de cabo admitem um desvio
m
aximo, face ao valor de refer
encia de 10 mcrons. Contudo, no seu fabrico apenas
se consegue garantir que esse desvio tem distribuic
ao normal de valor esperado igual a
0 mcrons.
que valor deve ter a vari
ancia para se poder garantir que em 95% dos cabos
produzidos os desvios est
ao entre 9.8 mcrons?
Recorrendo `
as tabelas: Considerando a v.a. X = desvio do di
ametro dos cabos
face ao valor de refer
encia, temos que X normal(0, 2 ).
0
Ao considerar-se a v.a. Z = X
= X , temos Z normal(0, 1).
2
Pretendemos assim o valor de tal que:
Z

9.8 0
X 0
9.8 0
P(9.8 X 9.8) = 0.95 P(

) = 0.95

9.8
9.8
9.8

= 0.95 2
1 = 0.95

9.8
9.8

= 1 (0.975) =
2 = 25

1.96

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Ou
Recorrendo ao scilab:
P(9.8 X 9.8) = 0.95 FX (9.8) FX (9.8) = 0.95
2FX (9.8) 1 = 0.95 FX (9.8) = 0.975
O comando
cdfnor(Std, p, 1 p, x, )
devolve o valor de tal que FX (x) = p, supondo
X normal(, 2 ).
Neste caso teramos que fazer
cdfnor(Std, 0.975, 1 0.975, 9.8, 0).

Supondo X normal(, ), explore no scilab os comandos

2

cdfnor(Mean, , p, 1 p, x) e cdfnor(X , , , p, 1 p)

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

Distribuicao exponencial
Trata-se da distribuicao mais utilizada na caracterizacao da
duracao de equipamento. Surge tambem na modelacao dos
tempos entre ocorrencias de eventos do mesmo tipo, como p.e.,
chegadas de clientes, falhas mecanicas, colis
oes, etc.
Distribuicao exponencial
A v.a. X diz-se ter distribuicao exponencial de parametro ,
e escreve-se X exponencial(), caso a sua f.d.p. seja dada
por
e x , x 0
fX (x) =
0, c.c.
Valor esperado: E (X ) =
Variancia: V (X ) = 12

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes

Vari
aveis aleat
orias e suas distribuic
oes

A sua f.d. e
FX (x) =

1 e x , x 0
0, c.c.

que nao se encontra tabelada dada a sua simplicidade.

Lusa Morgado

Vari
aveis aleat
orias e suas distribuic
oes