Universidade Federal do Piau

Campus Universitrio Profa. Cinobelina Elvas Bom Jesus, PI

Profa. Gisele

V - VARIVEIS ALEATRIAS
1. INTRODUO
Ao descrever o espao amostral de um experimento aleatrio, o resultado individual
no necessariamente um nmero. Por exemplo: no lanamento de duas moedas consecutivas
podemos obter: S = {cara-cara, cara-coroa, coroa-cara, coroa-coroa}. Contudo, em muitas
situaes experimentais, estaremos interessados na mensurao de alguma coisa e no seu
registro como um nmero. Ou seja, desejamos atribuir um nmero real x a todo elemento a do
espao amostral S. Portanto, no caso do lanamento consecutivo de duas moedas, podemos
transformar os resultados de S em nmeros, atribuindo-se de acordo com a contagem do
NMERO DE COROAS obtidas, ou seja, S ={0, 1, 2}, ou de acordo com o NMERO DE
CARAS obtidas, ou seja, S ={2, 1, 0}.
A este procedimento de obter uma funo X, que associe aos elementos a pertencentes
a S um nmero real, X(a), denominada VARIVEL ALEATRIA.
2. CONCEITOS DE VARIVEL ALEATRIA
Definio simplificada: Uma vez que os valores da varivel esto relacionados a um
experimento aleatrio ou probabilstico, VARIVEL ALEATRIA toda varivel cujos
resultados esto associados a uma probabilidade.
Experimentos aleatrios so aqueles que, repetidos em idnticas condies,
podem produzir resultados diferentes. Embora no se saiba qual o resultado que ir
ocorrer num experimento, em geral, consegue-se descrever o conjunto de todos os
resultados possveis que podem ocorrer. As variaes de resultados, de experimento
para experimento, so devidas a uma multiplicidade de causas que no podemos
controlar, as quais denominam acaso.
acaso

Definio estatstica: Seja E um experimento aleatrio e S o espao amostral

associado a este experimento. Uma funo X, que associe a cada elemento a pertencente a S
um nmero real, X(a), denominada VARIVEL ALEATRIA.

v.a.X

X(a)

Ex: Considere o experimento probabilstico ou aleatrio: lanamento de duas moedas

consecutivas, logo:
S = {cara-cara; cara-coroa; coroa-cara; coroa-coroa}
Considere agora que X a varivel aleatria definida como o NMERO DE COROAS
obtidas, ou seja:
X = {0, 1, 2},
Portanto,
X(cara-cara) = 0 (NENHUMA COROA NO LANAMENTO DE DUAS MOEDAS)
X(cara-coroa) = X(coroa-cara) = 1 (UMA COROA NO LANAMENTO DE DUAS MOEDAS)
X(coroa-coroa) = 2 (DUAS COROA NO LANAMENTO DE DUAS MOEDAS)

Cara-cara
Cara-coroa
Coroa-cara
Coroa-coroa

0
1
2

Em que,
S = espao amostral original correspondente a todos os possveis resultados do experimento
(numrico ou no);
R = novo espao amostral associado varivel aleatria X, representando todos os valores
numricos de interesse (todos os valores possveis e definidos de X(a) de a em S).

Observaes:
a) Apesar da terminologia varivel aleatria, ela uma funo cujo domnio o
conjunto S e o contradomnio o conjunto R;
b) O uso de variveis aleatrias equivale a descrever os resultados de um experimento
aleatrio por meio de nmeros ao invs de palavras, o que apresenta a vantagem de
possibilitar melhor tratamento estatstico;
c) Nem toda funo uma varivel aleatria, pois uma vez que ao mesmo s forem
atribudos diferentes X(a), a relao no poder se caracterizar uma relao funcional
ou funo.
Lembrete: Uma quantidade uma funo de outra quando, para cada quantidade da varivel
independente (x), corresponde a um nico valor denominado f(x) (varivel dependente). O
conjunto em que os valores de x podem ser tomados chamado de domnio da funo, e o
conjunto dos valores que f assume para cada x denominado imagem da funo.
As variveis aleatrias sero sempre representadas por letras maisculas (X, Y, Z, W,
etc.). As realizaes (ou variaes) dessas variveis em um dado elemento da populao sero
sempre representadas por letras minsculas (x, y, z, w, etc.).
Quando o resultado do experimento probabilstico for registrado como um nico
nmero x ter-se- uma VARIVEL ALEATRIA UNIDIMENSIONAL, que poder ser
discreta ou contnua.
Porm, quando para um determinado experimento, cada resultado proveniente da
avaliao simultnea de dois caracteres, como por exemplo, estudar a estatura X e o peso Y,
de alguma pessoa escolhida ao acaso, o resultado ser (x,y), e ter-se- uma VARIVEL
ALEATRIA BIDIMENSIONAL. Nota-se, nesse caso, que cada resultado identificado por
cada um dos valores que as variveis aleatrias unidimensionais assumem.

v.a.X

X(a)

a
S

v.a.Y

Y(a)

3. VARIVEIS ALEATRIAS UNIDIMENSIONAIS

3.1. Varivel Aleatria Discreta
3.1.1. Definio: Seja X uma varivel aleatria (v.a.). Se o nmero de valores possveis de
X(a) (isto o seu contradomnio) for finito ou infinito enumervel, denominaremos X de
varivel aleatria discreta, assim, os valores possveis de X so x1, x2,....,xn. No caso finito a
lista de valores de x acaba e no caso infinito enumervel, a lista continua indefinidamente.
Em geral uma varivel aleatria obtida mediante alguma forma de contagem.
3.1.2. Funo de probabilidade (f.p.)
Utilizando o conceito de funo em que uma quantidade uma funo de outra quando,
para cada quantidade da varivel independente (x), corresponde a um nico valor denominado
f(x) (varivel dependente), chama-se FUNO DE PROBABILIDADE (f.p.) da varivel
aleatria discreta X, a funo:
F(x) = P (X = xi) = P (xi)
Pois a cada valor de xi associa-se sua probabilidade de ocorrncia.
A funo P (xi) ser uma f. p. se satisfizer s seguintes condies:
* P(xi) 0, para todo xi, e,
*

P( x ) = 1 = P( S )
i

OBS.: Mesmo que a varivel assuma um nmero infinito enumervel de valores no h

nenhum problema em comprovar que cada xi contribui com uma quantidade f(xi) ao total, de
modo que,

i =1

i =1

i =1

f ( xi ) = p ( x i ) = P ( X = x i ) = 1

coleo de pares [xi, P(xi)], i = 1, 2,..., n, denominamos DISTRIBUIO DE

PROBABILIDADE da v. a. d. X, que pode ser representada por meio de tabelas e grficos.
3.1.2.1. Representao tabular da DISTRIBUIO DE PROBABILIDADE de varivel

aleatria discreta
dada por:

xi

x1

x2

xn

P(X=xi)

P(x1)

P(x2)

...

P(xn)

1,0

3.1.2.1. Representao grfica da DISTRIBUIO DE PROBABILIDADE de varivel

aleatria discreta
obtida alocando-se no eixo das abscissas os valores de x e no eixo das coordenadas
os valores de suas respectivas probabilidades. Uma linha horizontal feita em cada valor de x
na altura de sua respectiva probabilidade.
Exemplo 1:

Considere o experimento probabilstico ou aleatrio: lanamento de duas moedas

consecutivas, logo:
S = {cara-cara; cara-coroa; coroa-cara; coroa-coroa}
Considere agora que X a varivel aleatria definida como o NMERO DE COROAS
obtidas, ou seja:
X = {0, 1, 2},
Portanto,
X(cara-cara) = 0, X(cara-coroa) = X(coroa-cara) = 1, X(coroa-coroa) = 2. Cujas probabilidades de ocorrncia
so: P (0) = 1/4, P (1) = 2/4 e P (2) = 1/4.
Logo, a representao tabular da DISTRIBUIO DE PROBABILIDADE de X :

xi
P(X=xi)

1/4

2/4

1/4

1,0

Em que,
P (xi) 0 e

P[ X = x ] = 1
i

i =1

Nota-se que para uma varivel aleatria discreta as probabilidades de cada valor x
correspondem prpria

funo,

por isso esta chamada de FUNO DE

PROBABILIDADE.
5

E a representao grfica da DISTRIBUIO DE PROBABILIDADE de X :

2/4
1/4

Exemplo 2:

Tem-se 5 animais: 2 animais de uma raa bovina A (A1 e A2) e 3 animais de uma raa
bovina B (B1, B2 e B3). Deseja-se obter uma amostra de 2 animais da raa A, escolhidos ao
acaso dentre os 5 animais.
a) Obter o espao amostral desse experimento aleatrio
S: {A1A2, A1B1, A1B2, A1B3, A2B1, A2B2, A2B3, B1B2, B1B3, B2B3}
b) Obter a varivel aleatria X nmero de animais da raa A na amostra.
{B1B2, B1B3, B2B3}, ou seja, nenhum animal da raa A.
{A1B1, A1B2, A1B3, A2B1, A2B2, A2B3}, ou seja, um animal da raa A.
{A1A2}, ou seja, dois animais da raa A.
No entanto, na estatstica, mais fcil utilizar valores numricos do que trabalhar
diretamente com elementos de um espao como o anterior. Assim, se X se for a varivel
aleatria NMERO DE ANIMAIS DA RAA A, os valores assumidos por X so x = 0, 1, 2.
Como essa associao de nmeros aos pontos do espao amostral, define-se uma
funo sobre cada elemento desse espao. Essas funes sobre os elementos do espao so as
variveis aleatrias. No caso, tem-se uma varivel aleatria discreta, em que se atribui um
nico nmero real a cada elemento do espao amostral S.
c) Obter a tabela da DISTRIBUIO DE PROBABILIDADE de X.
Seja a v. a d. X o NMERO DE ANIMAIS DA RAA A, a representao tabular da
funo de probabilidade da varivel nmero de animais da raa A dada por:

xi

P(X=xi)

3
10

6
10

1
10

1,0

Em que,
P (xi) 0 e

P[ X = x ] = 1
i

i =1

d) Obter o grfico da DISTRIBUIO DE PROBABILIDADE de X.

A representao grfica da funo de probabilidade da varivel nmero de animais da
raa A dada por:

6/10
3/10
1/10

Figura 1. Funo de probabilidade da varivel NMERO DE

ANIMAIS DA RAA A.

3.1.3. Varivel aleatria discreta uniformemente distribuda

Este o caso mais simples de varivel aleatria discreta, em que cada possvel valor
ocorre com a mesma probabilidade.
Definio: A varivel aleatria discreta X, assumindo os valores x1, x2, ..., xn, tem distribuio
uniforme, se e se somente se:
f(x) = P (X = xi) = P (xi) = p =

1
, para todo i = 1, 2, , n
n

Exemplo:

Considere o experimento aleatrio o lanamento de um dado no-viciado.

S = {1, 2, 3, 4, 5, 6}
Considere a varivel aleatria discreta X dada pelo NMERO DE PONTOS OBTIDOS.
Essa varivel assume obviamente os valores de 1 a 6, e a cada valor possvel associar um
nico nmero real, ou seja, um valor de probabilidade, que no caso, para todos igual a 1/6.

Portanto, a representao tabular da funo de probabilidade F(x) = P (X = xi) = P (xi), ou

seja, a DISTRIBUIO DE PROBABILIDADE de X:

xi

P(X=xi)

1/6

1/6

1/6

1/6

1/6

1/6

1,0

3.1.3.1. Representao grfica da DISTRIBUIO DE PROBABILIDADE de X.

1/6

Figura 1. Funo de probabilidade da varivel NMERO DE

PONTOS OBTIDOS no lanamento de um dado.
3.2. Varivel aleatria contnua
3.2.1. Definio:

Seja X uma varivel aleatria (v.a.). Se o nmero de valores possveis de X(a) (isto o seu
contradomnio) for infinito no-enumervel como, por exemplo, um intervalo, X ser
denominada de varivel aleatria contnua.
Consideremos por exemplo o experimento que consiste em selecionar, ao acaso, um fruto
de tomate de uma rea de produo e determinar o valor do peso do fruto em gramas. Nesse
caso, dentro de um determinado grau de preciso decorrente da limitao do equipamento de
mensurao, a varivel aleatria X = PESO DO FRUTO pode assumir um valor qualquer em
um determinado intervalo da reta real, sendo, portanto, uma varivel aleatria contnua.
Como uma varivel aleatria contnua pode assumir uma infinidade de valores em um
intervalo real, ou seja, o conjunto de valores que a varivel pode assumir infinito noenumervel, a cada um dos infinitos valores da reta real atribuda probabilidade nula.
Portanto, no faz sentido fazer uma soma das probabilidades de cada um dos valores como no

caso das variveis aleatrias discretas, mas sim fazer a soma das probabilidades dos valores
em intervalos da reta real. Nesse caso, o que generaliza o conceito de

o de integral ( ) ,

ou seja, calcular a integral significa integrar ou somar os valores da funo.

3.2.2. Funo de densidade probabilidade (f.d.p.)

Como para varivel aleatria contnua a probabilidade de cada um dos infinitos valores na
reta real igual a zero, no se tem uma funo de probabilidade F(x) = P (X = xi) = P (xi)
como para varivel aleatria discreta. Nesse caso, as probabilidades de ocorrncia de cada um
dos possveis resultados do experimento aleatrio so determinadas por uma funo contnua
f(x) denominada FUNO DENSIDADE PROBABILIDADE (f.d.p.), que satisfaa as
seguintes condies:
a) f ( x ) 0 para todo x
As probabilidades no podem ser negativas.
+

b)

f ( x )dx = 1

A probabilidade do espao amostral 1, isto , a probabilidade de ocorrncia dos

resultados dentro do intervalo sempre 100% possvel.
b

c) P(a X b) =

f ( x )dx

A probabilidade de que a varivel aleatria assuma valores em um intervalo a rea

sob a curva da funo densidade probabilidade no intervalo entre a e b.
importante ressaltar que, no clculo da probabilidade de um intervalo, este pode ser
fechado ou aberto, pois a incluso ou no dos extremos a e b do intervalo no altera o valor
desse clculo, visto que a probabilidade de um ponto nula.
IMPORTANTE: A f(x) de uma v. a c., funo de densidade probabilidade,

no probabilidade. Somente quando a funo for integrada entre dois

limites, ela produzir uma probabilidade, que ser a rea sob a curva da
funo X = a e X = b, a < b, ou seja, a probabilidade de x em intervalo entre a e b da reta real.
Exemplo 1: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado

inicial, cuja funo de x [f(x)] dada por:

kx,

se

10 x 20

f(x) =
0, outros valores de x.

Dada a funo desta varivel, calcule k de modo que f (x) seja uma f.d.p.
Resposta:
+

Para isto, a f (x) deve atender as duas condies f ( x ) 0 para todo x e

f ( x )dx = 1 .

Assim,
+

f ( x)dx = 1

20

(kx)dx = 1

10
20

k .(

x2
) =1
2 10

1
1
k . (20 2 10 2 ) =
2
150

Logo, k = 1/150 tambm atende a primeira condio de f ( x) 0 x .

Portanto qualquer fruto com dimetro entre 10 e 20 ter a mesma probabilidade de
ocorrncia, ou seja, ser igual a 1 ou 100%, e fora desse intervalo a probabilidade ser sempre
igual a zero. Porm, se desejarmos saber a probabilidade de encontrarmos um fruto com
dimetro entre 10 e 12, a forma de obteno da mesma ser pela resoluo da integral
considerando esse intervalo, qual seja:
12

1
P(10 x 12) = (
x)dx = ?
150
10
12

1 x2
P(10 x 12) =
.( )
150 2 10
P(10 x 12) =

1
(12 2 10 2 ) = 0,15 ou 15%
300

10

Exemplo 2: Considerando que a demanda diria, em quilogramas, de determinado produto

em um supermercado uma varivel aleatria, dada pela seguinte funo densidade

probabilidade (f. d. p.):
kx,
f(x) =

se

k(1 - x),

0 x 1/2
se 1/2 x 1

0, outros valores de x.

a) Determinar o valor de k.
Para isto, a f (x) ser f.d.p deve atender as duas condies f ( x ) 0 para todo x

f ( x )dx = 1 .

Assim,
+

f ( x)dx = 1

1/ 2

1/ 2

(kx)dx + [k (1 x)]dx = 1
1/ 2

k .(

x2
x
x2
) + k .( ) k .( ) = 1
2 0
1 1/ 2
2 1/ 2

1
1
k . [(1 / 2) 2 0 2 )] + k .[(1) 2 (1 / 2) 2 ] k . [(1) 2 (1 / 2) 2 ] = 1
2
2
k =4

Logo, k = 4
Portanto,
4x,
f(x) =

se

4(1 - x),

0 x 1/2
se 1/2 x 1

0, outros valores de x.
b) Calcular a probabilidade de que a demanda diria do produto esteja entre 250 e 750g.
Sabe-se que para a demanda diria entre 0 e 500 g (ou 0 e 1/2) a funo 4x, e que
para a demanda entre 500g e 1000g (ou 1/2 e 1) a funo 4(x 1). Logo, para saber a
demanda diria entre 250 e 750 deve-se integrar e somar nos intervalos de 250 a 500g (ou 1/4
e 1/2) e de 500 a 750g (ou 1/2 e 3/4). Ou seja:

11

750

1/ 2

f ( x)dx =

250

750

f ( x)dx =

250
750

f ( x)dx =

250
750

250

f ( x)dx =

3/ 4

f ( x)dx +

f ( x)dx

1/ 4

1/ 2

1/ 2

3/ 4

1/ 4

1/ 2

1/ 2

3/ 4

1/ 4

1/ 2

1/ 2

3/ 4

3/ 4

1/ 4

1/ 2

1/ 2

(4 x)dx + [4(1 x)]dx

(4 x)dx +
(4 x)dx +

(4 4 x)dx
(4)dx

1/ 2

750

3/ 4

(4 x)dx
3/ 4

x2
x
x2
f
(
x
)
dx
=
4
.
(
)
+
4
.
(
)

4
.
(
)

2 1/ 4
1 1/ 2
2 1/ 2
250

750

f ( x)dx = 2 .[(1 / 2)

250

4
+ (1 / 4) 2 ] + 4.(3 / 4 1 / 2) .[(3 / 4) 2 (1 / 2) 2 ]
2

750

f ( x)dx = 0,75 ou 75%

250

Logo, a probabilidade de que a demanda diria do produto esteja entre 250 e 750 75%.
3.2.3. Varivel aleatria contnua uniformemente distribuda

o caso mais simples de varivel aleatria contnua.

Definio: A v.a. contnua tem distribuio uniforme no intervalo [a,b], sendo a e b finitos, se
a sua funo densidade de probabilidade (f. d. p.) for dada por:
1

, para a x b
f ( x) = b a
0, para outros valores de x

4. VARIVEIS ALEATRIAS BIDIMENSIONAIS

Seja E um experimento aleatrio e S um espao amostral associado a E. Seja X uma

varivel aleatria e Y outra varivel aleatria e X(a) e Y(a) so duas funes, cada uma
associando um nmero real a cada resultado de a S, ento determinaremos (X,Y) uma
varivel aleatria bidimensional. Na prtica, significa que para um determinado experimento
aleatrio, cada resultado proveniente da avaliao simultnea de duas variveis.
Do mesmo modo que no caso unidimensional (X,Y) deve ter associada a cada valor
que pode assumir uma probabilidade de sua ocorrncia. Assim, so definidas as funes e

12

distribuies de probabilidades da v.a. bidimensional (X,Y). Para o nosso estudo

consideraremos que X e Y so ambas discretas ou ambas contnuas.
4.1. Quando (X,Y) varivel aleatria discreta bidimensional

Se os valores possveis da varivel (X,Y) forem finitos ou infinitos enumerveis, esta

ser uma v.a. discreta bidimensional. Assim, os valores possveis de (X,Y) podem ser
representados por (xi, yj)

i = 1, 2, ..., n

j = 1, 2, ..., m

4.1.1. Funo de probabilidade conjunta de X e Y

dada por:
P ( X = x i , Y = y j ) = P ( xi , y j )
Em que a cada valor de (xi, yi) associa-se a sua probabilidade de ocorrncia.
Para que P(xi, yi) seja uma funo de probabilidade conjunta necessrio que satisfaa
s seguintes condies:
i) P(xi, yi) 0, (xi,yj)
m

ii)

P( x , y
i

) = 1 ,0

j =1 i =1

4.1.2. Distribuio de probabilidade conjunta de X e Y

o conjunto {(xi,yj), P(xi,yj)} i = 1, 2, ..., n

j = 1, 2, ..., m

y1

y2

ym

Total
m

x1

P(x1, y1)

P(x1, y2)

P(x1, ym)

P(X = x1) = P(x1) = P( x1 , y j )

j =1
m

X2

P(x2, y1)

P(x2, y2)

P(x2, ym)

P(X = x2) = P(x2) = P ( x 2 , y j )

P(xn, ym)

P(X = xn) = P(xn) = P ( x n , y j )

j =1

xn

Total

P(xn, y1)

P(xn, y2)

P(Y = y1) =
P(y1)

P(Y = y2) =
P(y2)

= P( xi , y1 )
i =1

= P( xi , y 2 )
i =1

P(Y = ym) =
P(ym)
n

= P( xi , y m )

j =1

1,0

i =1

13

A partir da distribuio conjunta das duas variveis aleatrias X e Y podemos

determinar a distribuio de X sem considerar Y e a de Y sem considerar X. So as chamadas
DISTRIBUIES MARGINAIS.
A distribuio marginal constituda pelos valores da varivel aleatria e suas
respectivas probabilidades marginais. A probabilidade marginal para cada valor obtida da
seguinte forma:

Para X:

P(X = xi) = P (xi) =

P( x , y
i

j =1

Para Y:

P(Y = yi) = P (yi) =

P( x , y
i

i =1

Ou seja, a marginal de X a funo de probabilidade da v.a. X sem considerar a v.a.Y,

e a marginal de Y a funo de probabilidade da v. a.X sem considerar a v.a.X.
Com as probabilidades marginais para cada valor, podemos construir a distribuio
marginal para a varivel aleatria:

Para X:
xi

x1

x2

xn

P(X=xi)

P(x1)

P(x2)

...

P(xn)

yi

y1

y2

ym

P(Y=yi)

P(y1)

P(y2)

...

P(ym)

Para Y:

14

Exemplo:
Seja a varivel discreta bidimensional (X, Y), cuja distribuio de probabilidade conjunta
dada pela tabela:
Y

-3

-2

1/9

2/9

2/9

2/9

1/9

1/9

a) Obter as probabilidades marginais de X e Y.

m

Para X:

P(X = xi) = P (xi) =

P( x , y
i

j =1

P(X = -2) = P (-2) = 1/9 + 0 + 2/9 = 3/9

P(X = 0) = P (0) = 0 + 2/9 + 2/9 = 4/9
P(X = 1) = P (1) = 1/9 + 1/9 + 0 = 2/9
m

Logo,

P( x , y
i

) = 3/9 + 4/9 + 2/9 = 1,0

j =1

Ou seja,

Para Y:

xi

-2

P(X = xi)

3/9

4/9

2/9

1,0

P(Y = yi) = P (yi) =

P( x , y
i

i =1

P(Y = -3) = P (-3) = 1/9 + 0 + 1/9 = 2/9

P(Y = 0) = P (0) = 0 + 2/9 + 1/9 = 3/9
P(Y = 1) = P (1) = 2/9 + 2/9 + 0 = 4/9
Logo,

P( x , y
i

) = 2/9 + 3/9 + 4/9 = 1,0

i =1

Ou seja,
yi

-2

P(Y = yi)

2/9

3/9

4/9

1,0

15

4.2. Quando (X,Y) varivel aleatria contnua bidimensional

Se a varivel (X,Y) puder assumir todos os valores em algum conjunto infinito noenumervel, esta ser uma v.a. contnua bidimensional.
4.2.1. Funo de densidade probabilidade conjunta de X e Y

Seja (X,Y) uma v.a.c. bidimensional. Diz-se que f(x,y) uma funo de densidade
probabilidade conjunta de X e Y, se satisfazer as seguintes condies.
i) f(x,y) 0, todo (x,y)
m

f ( x, y)dx.dy = 1

ii)

j =1 i =1

Em que, f(x,y) = 0 para (x,y) aos intervalos de x e y.

4.2.2. Distribuio de probabilidade conjunta de X e Y

A partir da distribuio conjunta das duas variveis aleatrias X e Y podemos

determinar a distribuio de X sem considerar Y e a de Y sem considerar X. So as chamadas
DISTRIBUIES MARGINAIS. Porm, para (X,Y) varivel aleatria contnua, as funes
de densidade probabilidade marginais de X e Y so dadas por:
+

f ( x) =

f ( x, y)dy

f ( y) =

f ( x, y)dx

Exemplo:

Sejam X e Y variveis aleatrias contnuas com f.d.p. conjunta dada por:

k (2x +y),
f(x,y) =

se 2 x 6

0 y 5

0, para outros valores de x e y

a) Calcular o valor de k

f ( x, y )dxdy = 1,0

k (2 x + y)dxdy = 1,0
6

k (2 x)dxdy + (ky)dxdy = 1,0

k (2 x)dxdy +

(ky)dxdy = 1,0
0

16

5
x2
x1
2
k
.
(
)
dy
+
ky
.
(
0 2
2 1 ) dy = 1,0
2
2
5

k.(6

2 2 ) dy + ky.(6 2) dy = 1,0
2

32k.dy + 4ky.dy = 1,0

5

y1
y2
32k ( ) + 4k ( ) = 1,0
1 0
2 0

32k (5 0) + 2k (5 2 0 2 ) = 1,0
160k + 50 = 1,0
210k = 1,0
k=

1
210

b) Obter as funes marginais de X e Y

Funo marginal de X:
f ( x) =

f ( x) =

1
(2 x + y )dy
210
5 y
2x
dy +
dy
0 210
210
5

2x 5
1 y2
f ( x) =
y0 +
.
210
210 2

f ( x) =

x
1 2
5 0
(5 0) +
105
420

f ( x) =

x
5
+
21 84

f ( x) =

4x + 5
84

Funo marginal de Y:
f ( y) =

f ( x) =

1
(2 x + y )dx
210
6 y
2x
dx +
dx
2 210
210

17

2 x2
f ( y) =
210 2

y
+
.x
210 2

1 2
y
f ( y) =
x +
.x
210 2 210 2
f ( y) =

1
y
(6 2)
(6 3 2 3 ) +
210
210

f ( y) =

1
y
(216 8) +
4
210
210

f ( y) =

208 4 y
+
210 210

f ( y) =

16 2 y
+
105 105

f ( y) =

16 + 2 y
105

5. MEDIDAS DE POSIO E DISPERSO DE VARIVEIS ALEATRIAS

5.1. Medidas de posio
5.1.1. Esperana matemtica (mdia ou valor esperado de uma v. a.) - E(X)

A ESPERANA MATEMTICA a mdia ou valor esperado de uma varivel

aleatria. A esperana matemtica de uma distribuio tambm denominada uma medida de
tendncia central. Do ponto de vista cientfico, a esperana matemtica corresponde ao que se
espera que acontea em mdia.

Se X for uma varivel aleatria discreta

Definio. Dado uma v.a. X discreta, assumindo os valores x1, x2,...,xn, chamamos valor

mdio ou esperana matemtica de X o valor:

E(X) =

x .P ( X
i

= xi )

i 1

Exemplo:

Considerando o experimento probabilstico ou aleatrio: lanamento de duas moedas

consecutivas, em que X a varivel aleatria definida como o NMERO DE COROAS
obtidas, ou seja: X = {0, 1, 2}, cujas probabilidades de ocorrncia so: P (0) = 1/4, P (1) = 2/4
e P (2) = 1/4.

18

E(X) =

x .P ( X
i

1
4

2
4

= x i ) = 0. + 1. + 2

i 1

1
= 1,0
4

Interpretao: Se esse experimento aleatrio constitudo pelo lanamento de duas moedas for
realizado n vezes, espera-se, em mdia, obter 1,0 coroa.

Se X for uma varivel aleatria contnua

Definio. Dado uma v. a. X contnua, assumindo os valores x1, x2,...,xn, chamamos valor

mdio ou esperana matemtica de X o valor:

E(X)=

x. f ( x ) dx

Exemplo: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado

inicial, cuja funo de x [f(x)] dada por:

f(x) =

1
x,
150

se

10 x 20

0, outros valores de x.
20

E ( X ) = x(
10

1
x)dx
150
20

1 x3
E( X ) =
.( )
150 3 10

E( X ) =

1 1
. (20 3 10 3 ) = 15,56mm
150 3

Interpretao: Se esse experimento aleatrio constitudo pela colheita ao acaso de fruto de

mamo for realizado n vezes, espera-se, em mdia, obter fruto de 15,56 mm de dimetro.
As propriedades da Esperana Matemtica so:
1) E (K) = K, sendo K uma constante.
2) E (X + K) = E (X) + K
3) E (K.X) = K. E (X)
4) E (X + Y) = E (X) + E (Y)
5) E (XY) = E(X).E (Y), se X e Y so independentes (Cov (X,Y) = 0)

19

3.2. Medidas de disperso

3.2.1. Varincia - V(X) ou 2
Definio. A varincia quantifica a disperso dos dados em torno da mdia. dada por:

V(X) = E[X - X]2

V(X) = E[X2 2.X.X + X2]
V(X) = E(X2) 2.E(X.X) + E(X2)
V(X) = E(X2) 2. X.E(X) + X2
V(X) = E(X2) 2. E(X).E(X) + [E(X)]2
V (X) = E(X2) 2.[E(X)]2 +[E(X)]2
V (X) = E(X2) [E(X)]2

A obteno da varincia depende se X varivel aleatria discreta ou contnua.

Se X for uma varivel aleatria discreta

Definio. A varincia de uma varivel aleatria discreta quantifica a disperso dos dados em

torno da mdia esperada. definida por:

V (X) = E(X2) [E(X)]2
n

Em que, E ( X 2 ) = xi2 .P ( xi )
i =n

Exemplo:

Considerando o experimento probabilstico ou aleatrio: lanamento de duas moedas

consecutivas, em que X a varivel aleatria definida como o NMERO DE COROAS
obtidas, ou seja: X = {0, 1, 2}, cujas probabilidades de ocorrncia so: P (0) = 1/4, P (1) = 2/4
e P (2) = 1/4.
E(X) =

i 1

i =n

1
4

2
4

2
2
2
2
2
xi .P ( X = xi ) = 1,0 e E ( X ) = xi .P( xi ) = 0 .1 + 1 . + 2

1
=
4

V (X) = E(X2) [E(X)]2

V (X) =1,5 1,02
V(X) = 0,5

Se X for uma varivel aleatria contnua

Definio. A varincia de uma varivel aleatria contnua quantifica a disperso dos dados

em torno da mdia esperada. definida por:

20

V (X) = E(X2) [E(X)]2

Em que E ( X 2 ) =

. f ( x)dx

Exemplo: Seja X a varivel dimetro (em mm) de frutos de mamo colhidos no estado

inicial, cuja funo de x [f(x)] dada por:

f(x) =

1
x,
150

se

10 x 20

0, outros valores de x.
20

1
V (X ) = x2 (
x)dx [15,56] 2
150
10
20

1
V (X ) = x2 (
x)dx [15,56] 2
150
10
20

1 x4
V (X ) =
.( ) - [242,1136]
150 4 10
V (X ) =

1 1
. (20 4 10 4 ) - [242,1136] = 7,8864 mm2
150 4

As propriedades da Varincia so:

1) V (K) = 0, sendo k uma constante.
2) V (X + K) = V (X) + V(K) = V(X)
3) V (K.X) = K2. V (X)
4) V (XY) = V(X).V (Y)
5) V (X + Y) = V (X) + V (Y) + 2Cov (X, Y), se X e Y so dependentes (Cov (X,Y) 0)
6) V (X + Y) = V (X) + V (Y), se X e Y so independentes (Cov (X,Y) = 0)
4.2.2. Desvio padro -

O desvio padro de X, DP(X), definido como a raiz quadrada positiva da varincia.

mais usada como medida de disperso que a varincia por estar na mesma unidade dos dados.
4.2.3. Covarincia - Cov (X,Y)

uma medida de associao entre variveis aleatrias. necessrio que se tenha pelo
menos duas variveis para que se obtenha a covarincia.

21

A covarincia entre duas v. a. X e Y o produto dos desvios das variveis (medida de

discrepncia), qual seja:
Cov (X,Y) = E[(X - X).(Y - Y)]
Desenvolvendo a expresso acima, temos:
Cov (X, Y) = E [(XY X. Y YX + XY]
Cov (X, Y) = E [(XY X.E(X) YE(X) + E(X)E(Y)]
Cov (X, Y) = E (XY) E(X)E(Y) E(Y)E(X) + E(Y)E(X)]

Cov (X,Y) = E(XY) E(X).E(Y)

Em que,
n

E(X ) =

x .P ( X
i

= x i ) e E ( XY ) =

i 1

x. f ( x ) dx

.P ( x i , y j ) para (X,Y) discreta

j =1 i 1

E(X ) =

x y

+ +

e E ( XY ) =

xy . f ( x , y ) dx dy

para (X,Y) contnua

Como a covarincia , por definio, a mdia dos produtos dos desvios (X - x) por (Y y), a covarincia ser positiva se ocorrerem desvios do mesmo sinal com maior

probabilidade, e negativa se correrem, com maior probabilidade, desvios com sinais

contrrios. Ou seja,
- < Cov (X,Y) < +

Assim, o sinal da covarincia indica a relao entre as variveis:

- Se Cov (X,Y) = 0, as variveis X e Y no possuem dependncia linear, ou seja, so
independentes;
- Se Cov (X,Y) > 0, as variveis X e Y possuem uma relao linear de dependncia, cuja
variao ocorre no mesmo sentido, ou seja, medida que uma varivel aumenta a outra
tambm aumenta, ou medida que uma varivel diminui a outra tambm diminui;
- Se Cov (X,Y) < 0, as variveis X e Y possuem uma relao linear de dependncia, cuja
variao ocorre no sentido contrrio, ou seja, medida que uma varivel aumenta a outra
diminui e vice-versa.
As propriedades da Covarincia so:
1) Cov (X, K) = 0, sendo k uma constante.
2) Cov (X,Y) = Cov (Y,X)

22

3) Cov (X,X) = V(X)

4) Cov (aX, bY) = ab.Cov(X,Y)
4) Cov (X + Z, Y) = Cov (X,Y) + Cov (Z,Y)
5) Cov (X,Y) = 0, se X e Y so independentes
6) Cov (X,Y) 0, se X e Y so dependentes
Exemplo 1: Sabendo-se que Y = 3X 5 e que E(X) = 2 e V(X) = 1, calcular:

a) E(Y)
E(3X 5) = E (3X) E (5)
E(3X 5) = 3.E (X) E (5)
E(3X 5) = 3.2 5
E(3X 5) = 1,0
b) V(Y)
V(3X 5) = 32.V(X) V(5) = 9.1 0 = 9
c) Cov (X,Y)
Cov (X, 3X 5) = Cov (X, 3X) - Cov (X, 5) = 3. Cov (X,X) 0 = 3. V(X) = 3. 1 = 3
d) V(X/3 Y)
V(X/3) V(Y) = (1/3)2.V(X) + V(Y) 2.Cov (X/3,Y) = 1/9.V(X) + V(Y) 2.1/3.Cov (X,Y)
V(X/3 Y) = 1/9.1 + 9 2/3.(3) = 64/9
Exemplo 2: Seja a varivel aleatria bidimensional DISCRETA (X,Y), cuja distribuio de

probabilidade conjunta dada pela tabela:

X
Y

-1

P (yi)

1/9

2/9

3/9

3/9

1/9

2/9

6/9

P(xi)

4/9

3/9

2/9

1,0

Verificar se as variveis possuem dependncia linear, ou seja, se Cov (X,Y) 0.

Cov (X,Y) = E(XY) E(X). E(Y)

23

E(X) =

x .P ( x ) = 1 . 9 + 0 . 9 + 2 . 9
i

=0

i 1

E(Y) =

.P ( y j ) = 1 .

j 1

E(XY) =

3
6
+ 3 . = 2,33
9
9

x .y
i

.P ( x i , y j ) = 1 .( 1).

j =1 i 1

1
2
3
1
2
+ 1 .0 . + 1 .2 .0 + 3 .( 1). + 3 .0 . + 3 .2 . = 0,22
9
9
9
9
9

Logo, Cov (X,Y) = 0,22 0. 2,33

Cov (X,Y) = 0,22
Interpretao: Como a Cov (X,Y) 0, X e Y so dependentes, havendo uma relao linear
positiva entre as duas variveis, ou seja, medida que ocorre aumento em X ocorre aumento
em Y, ou medida que ocorre decrscimo em X ocorre decrscimo em Y.
Exemplo 3: Sejam X e Y variveis aleatrias CONTNUAS com f.d.p. conjunta dada por:

1
(2x +y),
210

f(x,y) =

se 2 x 6

0y5

0, para outros valores de x e y

E funes de densidade probabilidade marginais:

f ( x) =
f(x) =

4x + 5
84

se 2 x 6

0, para outros valores de x

f ( y) =

f(y) =

16 + 2 y
105

se 0 y 5

0, para outros valores de y

Verificar se as variveis possuem dependncia linear, ou seja, se Cov (X,Y) 0.

Cov (X,Y) = E(XY) E(X). E(Y)
+ +

E ( XY ) =

xy . f ( x , y ) dx dy

5 6

E ( XY ) =

xy . 210 (2 x + y ) dx dy
0 2

24

E ( XY ) =

E ( XY ) =

E ( XY ) =

6 2 x 2 y xy 2
dx dy
+
2
210
210

2y

210

x 2 dx +

2y x3

210 3

y2
210

xdx dy

6
y2 x2
+
dy
210 2 2

E ( XY ) =

[0,00317 y (6

E ( XY ) =

[0,65936 y + 0,07616 y ]dy

E ( XY ) =

2 3 ) + 0,00238 y 2 ( 6 2 2 2 ) dy

0,65936 ydy +

0 ,07616 y 2 dy

E ( XY ) = 0,65936 ydy + 0,07616 y 2 dy

E ( XY ) = 0,65936

y2
2

+ 0 ,07616
0

y3
3

E ( XY ) = 0,32968 (5 2 0 2 ) + 0 ,0254 (5 3 0 3 )

E ( XY ) = 11, 4153

E(X ) =

x. f ( x ) dx =

E (Y ) =

y. f ( y ) dy =

4x + 5
x
dx = 4 , 2540
84

16 + 2 y
y
dy = 2,1429
105

Logo, Cov (X,Y) = 11,4153 4,2540.2,1429

Cov (X,Y) = 2,2996
Interpretao: Como a Cov (X,Y) 0, X e Y so dependentes, havendo uma relao linear
positiva entre as duas variveis, ou seja, medida que ocorre aumento em X ocorre aumento
em Y, ou medida que ocorre decrscimo em X ocorre decrscimo em Y.
4.2.4. Coeficiente de correlao (XY)

Uma vez que a covarincia varia de - a + , difcil determinar a intensidade da

relao linear entre as duas variveis observando simplesmente a partir do valor da
covarincia, pois a mesma apenas indica o sentido da relao. Para contornar essa dificuldade,
Karl Pearson props uma verso padronizada da covarincia (caracterizada pela diviso da

25

covarincia pelos desvios-padro de X e Y), que o coeficiente de correlao linear

populacional de Pearson, representado por XY.
O parmetro definido por:

XY =

Cov( X , Y )

V ( X ).V (Y )

E ( XY ) E ( X ).E (Y )
V ( X ).V (Y )

fcil notar que o coeficiente de correlao linear uma medida mais eficiente de

associao entre variveis que a covarincia, por possibilitar a quantificao da associao.

Em outras palavras, a covarincia apenas indica a existncia ou no de relao linear entre as
variveis e, se existir, se essa positiva ou negativa. O coeficiente de correlao por sua vez,
alm de fazer as mesmas indicaes que a covarincia sobre a relao linear entre as
variveis, ainda a quantifica!
O intervalo de variao do coeficiente de correlao - 1 < XY < 1. Isso facilmente
demonstrado pelo seguinte teorema:
Se X e Y so duas variveis aleatrias, tem-se:
X X Y Y

Y
X

X X Y Y
E

Y
X

OU

( X ) 2 (Y ) 2
( X X ) (Y Y )
X
Y

0
+
2
E
X
Y
X
Y
1

2
X

E( X X ) 2 +

2
Y

E (Y Y ) 2 2

XY

[( X X )(Y Y )] 0

Como, E( X X ) 2 = X2
E(Y Y ) 2 = Y2
E [( X X )((Y Y )]

XY

, tem-se,

X2 Y2
+
2 0
X2 Y2
22>0

ou

26

 > 1 e < -1 , logo,

- 1 < XY < 1
OBS.: O estimador no viesado para o parmetro XY denominado rxy.

O coeficiente de correlao um nmero puro, sem unidade ou dimenso. usado para

expressar o quanto os pontos se aproximam de uma reta imaginria. Um coeficiente prximo
da unidade positiva ou negativa significa uma grande concentrao dos pontos em torno da
reta, enquanto que um coeficiente menor significa maior disperso em relao a esta reta.
Valores positivos indicam a tendncia de uma varivel aumentar quando a outra aumenta, ou
diminuir quando a outra diminui. Quando o coeficiente de correlao negativo significa que
a tendncia de uma varivel aumentar enquanto a outra diminui e vice-versa.
Na figura 1, cada eixo representa uma varivel, X e Y e, so apresentadas graficamente
a associao entre duas variveis. Na letra (a) as variveis no so correlacionadas (r = 0),
ento os pontos se encontram dispersos por todo o quadrante. Na letra (b) a correlao alta e
negativa (r = - 0,95), evidenciada por uma disperso inversa entre X e Y. Os maiores valores
de X correspondem aos menores valores de Y, concentrados em torno de uma diagonal
fictcia. Na letra (c), X e Y esto correlacionadas positiva e perfeitamente (r = 1,0), logo os
pontos esto alinhados em uma mesma direo ascendente. Por fim, na letra (d), X e Y esto
levemente correlacionados, ento a disperso dos pontos no to abrangente no quadrante
nem to estreita em torno de uma linha.

Figura 1. Representao grfica de duas variveis X e Y com diversos graus de correlao.

27

3. DISTRIBUIES E FUNES DE PROBABILIDADES DISCRETAS E

CONTNUAS

Foi visto nos assuntos anteriores como os dados de uma investigao cientfica so
representados e como parmetros da forma da distribuio, valores mais freqentes e medidas
de posio e variabilidade, so estimados. Foram vistas, tambm, formas para lidar e
apresentar dados em funo de seus tipos. Todavia, alm da descrio amostral dos dados, a
estatstica como parte integrante do mtodo cientfico, lida tambm com aspectos que
envolvem a modelagem terica das realizaes das variveis aleatrias nos fenmenos
estudados. Essa modelagem envolve os modelos probabilsticos, cujo conhecimento auxilia o
investigador cientfico na escolha do modelo mais adequado para estudar um determinado
fenmeno e daquele que mais se aproxima de uma situao real. Aqui, iremos estudar os
modelos probabilsticos de algumas variveis aleatrias discretas e contnuas.
As distribuies de probabilidade (discretas e contnuas) ficam completamente
definidas conhecendo-se os diversos valores que a varivel aleatria pode assumir, dentro do
seu intervalo de definio, e as respectivas probabilidades. O conhecimento da distribuio de
uma varivel aleatria importante na descrio dos fenmenos, na especificao dos testes
dos processos da teoria de deciso estatstica e na teoria da estimao. Pode-se afirmar que, de
forma geral, os modelos probabilsticos formam a base da teoria estatstica, e a linguagem
aplicada representa o fundamento da linguagem cientfica empreendida nos processos de
deciso e estimao.
3.1. DISTRIBUIES DE PROBABILIDADE DISCRETAS
3.1.1. Distribuio de Bernoulli

Consideremos experimentos aleatrios que possuem apenas dois resultados possveis,

como por exemplo, uma pea selecionada de um lote, a qual pode ser boa ou defeituosa, um
aluno que submetido a um exame que pode ser aprovado ou no, um animal em um rebanho
que pode ser sadio ou doente, etc. So experimentos cujos resultados pertencem a uma de
duas categorias possveis, conforme possuam, ou no, uma determinada caracterstica. O
resultado ser chamado de sucesso S se possuir a citada caracterstica, ou de fracasso F, se
no possuir.
Esses experimentos so conhecidos como experimentos de Bernoulli ou ensaios de
Bernoulli. A probabilidade de ocorrncia de sucesso ser indicada por p, e a de fracasso por q,
em que q = 1 p. Qualquer um dos dois resultados possveis do experimento poder ser

28

chamado de sucesso, bastando somente que a probabilidade de ocorrncia seja denominada

por p.
A distribuio de probabilidade para uma varivel aleatria X que assume dois
valores: o valor 1 se ocorrer sucesso, e o valor 0 se ocorrer fracasso, dada por:

xi

P(xi)

1-p

Mdia e Varincia de uma v. a. com distribuio de Bernoulii

E(X) = x = p

V (X) = 1 p = q
Quando uma varivel aleatria X tem distribuio de Bernoullii representamos
simbolicamente por X ~ B (p; q). L-se: X tende para uma distribuio de Bernoulii cujos
parmetros so p e q.
3.1.2. Distribuio Binomial

A distribuio binomial consiste na realizao de n ensaios de independentes de

Bernoulii, cada um com probabilidade de sucesso constante igual a p (e consequentemente de
fracasso constante a q). Desse modo, pode-se definir a varivel aleatria X pelo nmero de
sucessos observados.
So exemplos de variveis binomiais: florescimentos de plantas de uma espcie em
uma amostra de tamanho n; nascimento de fmeas em uma amostra de tamanho n; etc. A
distribuio binomial a mais importante das distribuies de v. a. discretas.
Se p a probabilidade de sucesso de um evento ocorrer em uma nica tentativa e q =

1- p a probabilidade do fracasso, ento, a probabilidade de que nos k primeiros ensaios de

Bernoulii ocorram sucessos e nos n-k restantes ocorram fracassos, considerando-se a
independncia dos ensaios dada por:
k
nk
P( 1
S, 4
S ,2
S ,...,
S, 1
F ,42
F
43
4, F ,...,
43
4F ) = p .(1 p)
k

nk

Como os k sucessos podem ocorrer em qualquer uma das ordens possveis nos n
experimentos de Bernoulii, que igual a ao nmero de combinaes de n elementos k a k
29

dada por C kn =

n!
, a probabilidade de obteno de k sucessos nas n realizaes do
k!(n k )!

experimento calculada por:

n
f (x) = P (X=x) = . p k .(1 p) n k =
k

n
k

. p k .q n k

OBS: a denominao binomial decorre do fato de os coeficientes

C xn

serem os coeficientes

binomiais das n potncias (a + b).

Por exemplo: O binmio elevado potncia trs:
(a + b)3 = a3 + 3a2b + 3ab2 + b3 corresponde a C33 a3 + C 23 a2b + C13 ab2 + C03 b3
Suposies do modelo binomial:
1. Existe n repeties ou provas idnticas do experimento. Exemplo: nmero de
plantas sadias colhidas em parcelas de 20 m2 (foram plantadas 27 plantas em cada
parcela), X = 0, 1, 2, ....,27, ento, n o nmero total de casos possveis da varivel
que estamos estudando.
2. S h dois tipos de resultados possveis (Ex.: plantas sadias ou doentes).
3. As probabilidades p de sucesso e 1 p = q de fracasso permanecem constantes em
todas as repeties.
4. Todos os resultados das repeties so independentes um do outro.
Mdia e Varincia de uma v. a. com distribuio Binomial
E(X) = x = np

V (X) = npq = np (1 p ) = npq

Quando uma varivel aleatria X tem distribuio binomial representamos
simbolicamente por X ~ Bin (n; p). L-se: X tende para uma distribuio Binomial cujos
parmetros so n e p.
Exemplo: No rebanho bovino 30% dos animais esto atacados por febre aftosa. Retira-se

por acaso uma amostra de 10 animais.

a) Verifique se a varivel nmero de animais doentes pode ser estudada pelo
modelo binomial. Justifique sua resposta.
b) Estruturar a funo de probabilidade.
c) Qual a probabilidade de se encontrar 6 animais doentes.
d) Qual a probabilidade de se encontrar pelo menos 6 animais doentes.

30

e) Qual a probabilidade de se encontrar no mximo 6 animais doentes

3.1.3. Distribuio de Poisson

A distribuio de Poisson um caso limite da distribuio binomial, quando n , p

0 e = np permanece constante, e se aplica no caso em que, em vez de se observar o

nmero de sucessos em n realizaes independentes de um experimento de Bernoulli, o
interesse o nmero de sucessos em um intervalo contnuo de observao t (t). Esse
intervalo contnuo de observao pode ser um intervalo qualquer em que se vai observar a
ocorrncia de sucessos. Nas cincias agrrias e biolgicas a distribuio de Poisson
largamente utilizada para contagens de indivduos, plantas, colnias de bactrias, itens,
objetos, dados num intervalo de tempo, numa rea, num volume, num comprimento. A
unidade de medida deve ser definida de tal modo que as contagens sejam baixas. Considere-se
um nmero baixo com sendo menor que 10. Um aplicao importante dessa distribuio diz
respeito ao estudo do padro de disperso de certa espcie animal ou vegetal num campo ou
floresta, ento numa determinada rea. muito utilizada, portanto, em estudos de dinmica de
populao e entomolgicos.
So exemplos de variveis com distribuio de Poisson: nmero de colnias de
bactrias por quadrante de 1m2; nmero de colnias de bactrias de uma dada cultura por 0,01
mm2 numa plaqueta de microscpio; nmero de defeitos por 100 m de tecido; nmero de
acidentes numa esquina movimentada e bem sinalizada por dia; nmero de chamadas
telefnicas numa central de PABX num intervalo de tempo de minuto; nmero de
partculas radioativas emitidas numa unidade de tempo; nmero de microncleos/1000
clulas, etc.
Para que uma varivel aleatria X tenha distribuio de Poisson, deve satisfazer s
seguintes condies:
i) Para intervalos de observao t muito pequenos, a probabilidade de ocorrncia de mais de
um sucesso desprezvel;
ii) Para intervalos de observao t muito pequenos, a probabilidade de ocorrncia de um
sucesso proporcional ao tamanho do intervalo e igual a .t, onde > 0 a taxa de sucesso

por unidade de observao;

iii) As ocorrncias de sucessos em intervalos disjuntos (no sobrepostos) so independentes.

31

Ento, se uma varivel aleatria X, igual ao nmero de sucessos em um intervalo t de

observao tem distribuio de Poisson, pode-se demonstrar que a sua distribuio de
probabilidade dada por:
P( X = k ) =

e t ( t ) k
, k = 0,1,2,3,...
k!

Sendo = t o nmero mdio de ocorrncias no intervalo t, a expresso acima pode

ser escrita na forma:
P( X = k ) =

e t ( ) k
k!

Mdia e Varincia de uma v.a. com distribuio de Poisson

E(X) =

V(X) =
Exemplo: Sabendo-se que na fabricao de determinadas chapas aparecem defeitos taxa

mdia de 0,5 defeito por m2, calcule a probabilidade de que:

a) uma chapa de 5 m2 seja perfeita;
b) uma chapa de 15 m2 apresente no mnimo trs defeitos.
a) Seja X = nmero de defeitos por chapa de 5 m2, temos:
= 0,5 defeito por m2
t = 5 m2

= t = 0,5.5 = 2,5
P( X = 0) =

e 2,5 .2,5 0
=0,082 ou 8,2%
0!

b) Seja X = nmero de defeitos por chapa de 15 m2, temos:

= 0,5 defeito por m2
t = 15 m2

= t = 0,5.15 = 7,5
P( X 3) = 1 P( X < 3)
P( X 3) = 1 [ P( X = 0) + P( X = 1) + P( X + 2)]

32

 e 7 ,5 .7,5 0 e 7 ,5 .7,51 e 7 ,5 .7,5 2

P( X 3) = 1
+
+
= 1 0,020256 = 0,9797 ou 97,97%
0!
1!
2!

3.2. DISTRIBUIES DE PROBABILIDADE CONTNUAS

3.2.1. Distribuio Normal ou Gaussiana

A distribuio gaussiana tambm denominada de distribuio normal, uma vez que

uma grande maioria das variveis aleatrias contnuas (inclusive variveis aleatrias discretas
podem ser aproximadas pela lei gaussiana) da natureza segue esta distribuio.
Diz-se que uma varivel aleatria segue distribuio normal de parmetros e

2,

2
que representamos do modo X ~ N ( , ), se sua funo densidade probabilidade for:
2

f(x)=

1
2

( x )
2

Em que e 2 so os parmetros dessa distribuio, os quais so respectivamente a

mdia e varincia dessa distribuio. O parmetro indica o centro e a disperso. A
distncia do centro as pontos de inflexo precisamente .
A forma da funo densidade probabilidade chamada sino de Gauss e o grfico da
funo normal :

Figura 1. Distribuio normal com mdia e ponto de inflexo

O suporte da distribuio todo conjunto dos nmeros reais, de modo que a maior
parte da massa de probabilidade (rea compreendida entre a curva e o eixo de abscissa) se
encontra concentrado ao redor da mdia e as ramificaes da curva se estendem

33

assintoticamente aos eixos, de modo que qualquer valor muito distante da mdia possvel
mesmo que pouco provvel.
A forma do sino de Gauss depende dos parmetros e . O parmetro indica a
posio do sino de Gauss (parmetro de centralizao) e 2 (ou equivalente, ) ser o
parmetro de disperso. Quanto menor for, maior ser a quantidade de massa de probabilidade
concentrada ao redor da mdia (grfico de f muito pontiagudo em torno de ) e, quanto
maior for, mais achatado ser.

Figura 2. Distribuies gaussianas com diferentes mdias e igual disperso.

Figura 3. Distribuies gaussianas com mdia igual, mas com varincias diferentes.

Propriedades da curva de distribuio Normal:

(i)

simtrica em relao a ;

(ii) tem forma de sino;

(iii) fica completamente definido conhecendo a sua mdia e varincia;
34

(iv) rea total sob a curva igual a 1.

Quando

= 0 e 2 = 1, temos uma distribuio padro ou reduzida, ou X ~ N (0,1),

cuja funo densidade probabilidade reduz-se a:

(z ) =

1
2

z2
e 2

x
2
Logo, se X ~ N ( , ), ento a varivel aleatria definida por z =
, ter

distribuio normal padronizada, com mdia 0 e varincia 1. Sabe-se que a probabilidade de

X estar entre dois valores quaisquer (a, b) dado pela rea sob a curva normal entre estes
valores:

Figura 4. A probabilidade de x estar entre o ponto a e b corresponde a rea

hachurada da figura.
b

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

Como a clculo dessa integral no trivial, usam-se as tabelas obtidas a partir da curva
normal padronizada.
Vejamos, ento, como obter probabilidades a partir da Tabela (ANEXO 1). Essa tbua d
as probabilidades sob uma curva normal padro, que nada mais so do que as correspondentes
reas sob a curva.

P ( 0 Z zc )

onde, Z ~ N (0,1)

35

Figura 5. Probabilidade de P(0 Z Zc )

Exemplo: Calculemos algumas probabilidades.

(a) P (0 Z 1,73) =
(b) P (-1,73 Z 0) =
(c) P (Z 1,73) =
(d) P (Z 0) =
(e) P (0,47 Z 1,73) =
2
Suponha, agora, que X seja uma v. a. N ( , ), com

=3e

2 = 16, e queiramos

calcular P(2 X 5). Temos:

2 X 5

P(2 X 5)= P

2 3 X 5 3
P

4
4

Exemplo. A quantidade de kg de leite produzidos por um animal diariamente,

considerando uma determinada raa e rebanho segue a distribuio normal e possui mdia
9,87kg/dia/animal e varincia 8,87(kg/dia/animal)2. Calcule: a probabilidade de um animal
produzir menos de 3kg/dia, a probabilidade de um animal produzir mais de 8kg/dia e a
probabilidade de um animal produzir entre 10kg/dia e 12kg/dia.
2.2.2. Distribuio Qui-quadrado (2)

A distribuio de Qui-quadrado a distribuio amostral relacionada a 2 obtida de uma

populao normal.
Se considerarmos uma varivel aleatria Z com uma distribuio normal padro
[Z ~ N (0, 1)], ento a varivel X = Z2 distribui-se conforme uma lei de probabilidade de
distribuio 2 com grau de liberdade, o que representa como: X ~ 2 .

36

Se temos n variveis aleatrias independentes Zi ~ N (0, 1), a soma de seus quadrados

respectivos uma distribuio que denominaremos de LEI DE DISTRIBUIO DE 2 com n
graus de liberdade, n2 .
n

Ou seja: n2 = Z12 + Z 22 + ... + Z n2 = Z i2

i =1

Se temos X1, X2, ..., Xn variveis aleatrias independentes, onde cada Xi ~ N ( , 2 ),

ento, a varivel :
n

2 = X i = Z 2i =
i =1

i =1

i =1

( X i )2

~ n2 , com n graus de liberdade.

Uma varivel aleatria X que segue uma distribuio de Qui-quadrado tem densidade
dada por:
n

1/ 2 1 2 2 x
f ( x) =
x e
(1 / 2) 2

em que x > 0

Figura 4. Funo densidade probabilidade de n2 para valores pequenos de n.

A mdia e a varincia dessa varivel so: E(X) = n e V(X) = 2n, respectivamente.

Sejam X1, X2, ..., Xn variveis aleatrias independentes de uma distribuio normal com
mdia e varincia 2 [Xi ~ N ( , 2 )], ento, a varivel :
n

2 =
i =1

( X i X )2

Se, 2 =

= (Z i Z ) 2 ~ n2 , com n - 1 graus de liberdade, sendo que Zi ~ N (0,1)

i =1

( X i X )2
obtido de uma amostra aleatria de uma distribuio normal com
n 1

mdia e varincia 2 , ento a varivel: 2 =

(n 1). 2

, com n - 1 graus de liberdade.

37

A distribuio de Qui-quadrado possui vrias aplicaes em estatstica. Uma delas a

de propiciar mecanismos para a realizao de inferncias sobre o parmetro 2 de uma
populao normal. Outra aplicao refere-se aos testes de falta de ajuste de um modelo terico
aos dados observados em um experimento ou levantamento amostral.
2.3.3. Distribuio t de Student

importante no que se refere a inferncia sobre mdias populacionais.

A distribuio t de Student constitui-se como um quociente entre a normal e a raiz de
uma 2 independentes. De modo preciso, chamamos distribuio t de Student com n graus
de liberdade, tn, a distribuio de uma varivel aleatria T.
T=

Z
1 2
n
n

Em que Z N (0, 1) n2 n2 . Esse tipo de distribuio aparece quando temos n + 1

variveis aleatrias independentes.
A distribuio de probabilidade de t dada por:
X
T=

1 X i i

n i =1 i
n

A distribuio de t tem propriedades parecidas com a Normal, quais sejam:

* centrada na mdia igual a zero e simtrica com relao mesma;
* um pouco mais dispersa que a normal, mas a varincia decresce at um quando o nmero
de graus de liberdade aumenta;
* Quando o nmero de graus de liberdade tende ao infinito, a distribuio de t tende Normal
(os valores de ambas so satisfatoriamente prximos a partir do grau de liberdade igual a 30).
OBS.: grau de liberdade = n - 1

38

3.2.4. Distribuio F de Snedecor

A distribuio de F se define como o quociente de distribuies 2 independentes.

Sejam X 2 e Y 2 variveis aleatrias independentes. Dizemos ento que a
1
X
mX
varivel F = n =
Fn,m segue distribuio de probabilidade de Snedecor, com (n, m)
1
n Y
Y
m
graus de liberdade.
OBS.:Observa-se que Fn,m Fm,n

A distribuio de probabilidade de F dada por:

1 n X i i

n i =1 i

F
F=
n,m
2
1 m Y j m j

m j =1 j

A forma mais habitual na qual se encontra essa distribuio quando se tem n + m

variveis aleatrias independentes.
Uma das aplicaes da distribuio de F na anlise de varincia, em que as
avaliaes se baseiam em estimativas da varincia populacional.
4. LITERATURA CONSULTADA

ARA, A. B.; MUSETTI, A. V.; SHNEIDERMAN, B. Introduo estatstica. So Paulo:

Egard Blucher: Instituto Mau de Tecnologia, 2003.152p.
CARVALHO, S. Estatstica bsica. Rio de Janeiro: Campus/Elsevier, 2006. 464p.
FERREIRA, D. F. Estatstica bsica. Lavras: UFLA, 2005. 664p.
REGAZZI, A. Curso de iniciao estatstica (Apostila). Universidade Federal de Viosa,
Viosa MG, 1997. 136p.
TRIOLA, M. F. Introduo estatstica. Rio de Janeiro: LTC, 2005. 656p.
Este contedo resultado de pesquisa em vrios livros e apostilas de estatstica e bioestatstica, portanto, ainda
deve ser revisado. Qualquer crtica, erro de digitao (ou outro qualquer), etc., por favor, me comunique.
Obrigada, Profa. Gisele

39

ANEXO 1: Tabela I - Distribuio Normal Padro Z~N(0,1)

P(0<Z<Zc)
Segunda decimal de Zc
0,03
0,04
0,05
0,06

Parte inteira da primeira

decimal de Zc

0,00

0,0000

0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359

0,10
0,20

0,0398
0,0793

0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753

0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141

0,30
0,40
0,50

0,1179
0,1554
0,1915

0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517

0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224

0,60
0,70
0,80
0,90

0,2257
0,2580
0,2881
0,3159

0,2291
0,2611
0,2910
0,3186

1,00
1,10
1,20

0,3413
0,3643
0,3849

0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621

0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015

1,30
1,40
1,50
1,60

0,4032
0,4192
0,4332
0,4452

0,4049
0,4207
0,4345
0,4463

0,4066
0,4222
0,4357
0,4474

0,4082
0,4236
0,4370
0,4484

0,4099
0,4251
0,4382
0,4495

0,4115
0,4265
0,4394
0,4505

0,4131
0,4279
0,4406
0,4515

0,4147
0,4292
0,4418
0,4525

0,4162
0,4306
0,4429
0,4535

0,4177
0,4319
0,4441
0,4545

1,70
1,80
1,90
2,00

0,4554
0,4641
0,4713
0,4772

0,4564
0,4649
0,4719
0,4778

0,4573
0,4656
0,4726
0,4783

0,4582
0,4664
0,4732
0,4788

0,4591
0,4671
0,4738
0,4793

0,4599
0,4678
0,4744
0,4798

0,4608
0,4686
0,4750
0,4803

0,4616
0,4693
0,4756
0,4808

0,4625
0,4699
0,4761
0,4812

0,4633
0,4706
0,4767
0,4817

2,10
2,20
2,30

0,4821
0,4861
0,4893

0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857

0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916

2,40

0,4918

0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936

2,50
2,60
2,70

0,4938
0,4953
0,4965

0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952

0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974

2,80
2,90
3,00
3,10

0,4974
0,4981
0,4987
0,4990

0,4975
0,4982
0,4987
0,4991

3,20
3,30
3,40

0,4993
0,4995
0,4997

0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995

0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998

3,50
3,60

0,4998
0,4998

0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998

0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999

3,70
3,80

0,4999
0,4999

0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999

0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999

3,90
4,00

0,5000
0,5000

0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000

0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000

0,01

0,02

0,2324
0,2642
0,2939
0,3212

0,4976
0,4982
0,4987
0,4991

0,2357
0,2673
0,2967
0,3238

0,4977
0,4983
0,4988
0,4991

0,2389
0,2704
0,2995
0,3264

0,4977
0,4984
0,4988
0,4992

0,2422
0,2734
0,3023
0,3289

0,4978
0,4984
0,4989
0,4992

0,2454
0,2764
0,3051
0,3315

0,4979
0,4985
0,4989
0,4992

0,07

0,2486
0,2794
0,3078
0,3340

0,4979
0,4985
0,4989
0,4992

0,08

0,2517
0,2823
0,3106
0,3365

0,4980
0,4986
0,4990
0,4993

0,09

0,2549
0,2852
0,3133
0,3389

0,4981
0,4986
0,4990
0,4993

40

UNIVERSIDADE FEDERAL DO PIAU

Campus Universitrio Profa. Cinobelina Elvas Bom Jesus, PI
Lista de exerccios: Variveis aleatrias
1. Cite pelo menos 5 exemplos de variveis aleatrias discretas e 5 exemplos de variveis aleatrias
contnuas na rea de seu curso. Conceitualmente, como voc diferenciaria essas variveis das
quantitativas discretas e contnuas?
2. Seja X uma varivel aleatria discreta com a seguinte distribuio de probabilidade:

xi

-2

-1

Total

P(X=xi)

1/4

1/8

1/2

1/8

1,0

a) Traar o grfico da distribuio de probabilidade

b) Calcular E(X)
c) Calcular V(X)
d) Calcular E(X 2)2
e) Calcular V(3X 4)
Resposta: a) 2,625

b) 4,625

c) 38,106

3. Dado X,Y uma varivel aleatria discreta bidimensional com a seguinte distribuio conjunta:
Y

-3

0,1

0,2

0,2

0,3

0,1

0,1

Calcular:
a) E (X), V (X) e DP (X)
b) E (Y), V (Y) e DP (Y)
c) E (X + Y), Cov (X,Y) e rxy
d) X e Y so independentes? Justifique.
Resposta:
a) 2; 1 e 1

b) 0,6; 9,24 e 3,04

c) 2,6; -1,2 e -0,395

d) no

41

4. Dado X,Y uma varivel aleatria discreta bidimensional com a seguinte distribuio conjunta:
Y

-3

-2

-1

-2

1/15

1/15

3/30

8/30

4/30

2/15

2/30

1/30

4/30

Calcular:
a) E (X), V (X) e DP (X)
b) E (Y), V (Y) e DP (Y)

X 2 2Y

10 ,
5
3

c) E

d) Cov (X,Y), rxy. X e Y so independentes? Justifique.

Resposta:
a) -7/30; 1,112 e 1,055

b) -61/30; 0,766 e 0,875

c) -8,798

d) no

5. Seja a varivel discreta bidimensional (X, Y), cuja distribuio de probabilidade conjunta dada
pela tabela:
Y

-3

-2

1/9

2/9

2/9

2/9

1/9

1/9

Calcular:
a) E (X)
b) E (Y)
c) V (X)
d) V (Y)
e) E (XY)
f) Cov (X,Y). Interprete.
g) rxy Interprete
Resposta:
a) -0,45

b) -0,22

c) 1,353

d) 0

e) 0

42

6. Dada a funao de densidade probabilidade (f.d.p.) abaixo:

1/2,

se 0 x 1

-1/4(x 3), se 1 x 3

f(x) =

0, para outros valores de x.

Calcular:
a) E(X)
b) V (X)
c) V(12X 8)
d) P (0,5 x 1,5)
Resposta: a) 1,083

b) 1,667

c) 240,048

d) 0,469

7. Dada a funo:

k(2 x),

se 0 x < 1

k, se 1 x 2

f(x) =

0, para outros valores de x.

a) Determinar o valor de k para que f(x) seja f. d.p.

b) E(X)
c) E(X 2)
d) V(X)
e) V(10X 2)
f) P(1/2 x < 3/2)

g) P(X = 1)
h) P(1/2 x < 1,0)
Resposta: a) 2/5
g) 0

b) 0,867

c) -1,267

d) 1,1

e) 110

f) 0,45

h) 3/5

8. Dada funo de densidade probabilidade conjunta da varivel X,Y bidimensional contnua:

f(x,y) =

3 y
,
16

se 0 x < 4

se 0 y < 2

0, para outros valores de x e y.

43

E as funes de densidade probabilidade marginais so:

f(x) =

f(y) =

1
,
4

se 0 x < 4

0, para outros valores de x.

1
(3 y ) ,
4

se 0 y < 2

0, para outros valores de y.

Calcular:
a) E (X)
b) E (Y)
c) V (X)
d) V (Y)
e) E (XY)
f) Cov (X,Y). Interprete.
g) rxy Interprete
Resposta: a) 2,0

b) 0,83

c) 5,33

d) 1,0

e) -0,33

f) -1,996

g) -0,86
9. Suponha que as dimenses, X e Y, de uma chapa retangular de metal possam ser consideradas
variveis aleatrias contnuas com a seguinte funo de densidade probabilidade conjunta:

f(x,y) =

x 1
,
2

se 1 < x 2

2<y<4

x+3
2

se 2 < x < 3

2<y<4

0, para outros valores de x e y.

E funes de densidade probabilidade marginais:

(x 1)
f(x) =

se 1 < x 2

(- x + 3) se 2 < x < 3
0, para outros valores de x.

f(y) =

1
,
2

se 2 < y < 4

0, para outros valores de y.

44

Calcular:
a) E (X)
b) E (Y)
c) V (X)
d) V (Y)
e) E (XY)
f) Cov (X,Y). Interprete.
g) rxy Interprete
Resposta: a) 1,83

b) 3,0

c) 4,17

d) 9,33

e) 6,0

f) 0,51

g) 0,082
10. Numa famlia de 4 filhos, seja X = nmero de meninos e Y = nmero de variaes na seqncia de
mesmo sexo. Relacionar o espao amostral e, ento:
a) Construir a distribuio de probabilidade conjunta de X e Y;
a) X e Y so independentes?
11. Demonstre, com base nas frmulas gerais de mdia e varincia de uma varivel aleatria discreta
que, a mdia ou valor mdio e a varincia de uma varivel aleatria binomial X [X Bin (n; p)]
correspondem a E(X) = np e V(X) = npq, respectivamente. Calcule a mdia e a varincia de uma v. A.
X Bin (10; 0,3)].
Resposta: E(X) = 3

V(X) = 2,1

12. Entre 2000 famlias com 4 crianas cada uma, quantas se esperaria que tivessem:
a) Pelo menos um menino?
b) Exatamente dois meninos?
Resposta: a) 1875

b) 750

13. Supondo que o nmero de sementes que germine (Y) de uma espcie forrageira siga distribuio
binomial, e a probabilidade de uma semente germinar 70%. Pede-se:
a) Qual a probabilidade, em um experimento com um vaso com n = 5 sementes, de pelo menos 4
germinarem?
b) Sabe-se que X representa o nmero de vasos que tem pelo menos 4 sementes germinadas dessa
espcie (originadas do item a), ento qual o nmero (tamanho da amostra) de vasos, semeados com 5
sementes, necessrio para que um experimento venha a ser realizado com um nmero no inferior a
200 plantas.
Resposta: a) 0,528 ou 52,8%

45

14. Suponha que a peste suna siga a distribuio binomial, ocorrendo, em mdia em 1 a cada 50
animais em uma populao de sunos de certa regio. Qual a probabilidade de que em uma amostra
aleatria de n = 100 sunos, seja encontrado, pelo menos, um com a doena?
Resposta: 0,87 ou 87%
15. Um fabricante de certo tipo de peas garante que uma caixa de suas peas conter, no mximo,
duas defeituosas. Se a caixa contm 20 peas e a experincia tem demonstrado que o processo de
fabricao produz 5% de peas defeituosas.
a) Calcule a probabilidade de que uma caixa satisfaa a garantia;
b) Considerando que a caixa vendida determina um lucro de R$ 120,00, caso esteja conforme a
garantia, e um prejuzo de R$ 50,00, se no corresponder garantia, indique qual ser o lucro mdio
por caixa vendida.
Resposta: a) 0,924 ou 9,24%

b) R$ 107,08

16. Sementes certificadas de feijo so vendidas em um saco de 15 kg ao preo de R$ 20,00 cada.

caracterstica de produo que 20% das sementes apresentem poder germinativo abaixo do
especificado. Um comprador fez a seguinte proposta ao produtor de sementes: de cada saco escolhe 25
sementes, ao acaso, e paga por saco:
- R$ 25,00 se todas as sementes germinarem;
- R$ 17,00 se uma ou duas sementes no germinarem;
- R$ 10,00 se trs ou mais sementes no germinarem.
O que melhor para o produtor, manter o seu preo de 20,00 u.m. por saco ou aceitar a
proposta do comprador?
Sugesto: encontrar o preo mdio esperado pelo produtor.
Resposta: O vendedor no deve aceitar a proposta do comprador [E(X) = 19,51)]
17. Suponhamos que a porcentagem de germinao de sementes de feijo seja de 70%. Vo ser
semeadas 4 sementes por cova, as quais sero espaadas de 0,40m entre linhas e 0,20m entre covas.
Supondo-se que cada canteiro a ser semeado conste de 6 linhas de 5m de comprimento, qual o nmero
mdio esperado de covas falhadas (nem uma semente germinou, das quatro semeadas) por canteiro?
Resposta: 0,9919 ou 99,19%
18. Um contador eletrnico de bactrias registra em mdia 5 bactrias por cm3 de um lquido.
Admitindo-se que esta varivel tenha distribuio de Poisson:
a) qual o desvio padro do nmero de bactrias por cm3?
b) Encontre a probabilidade de que pelo menos duas bactrias ocorram num volume de lquido de
1cm3.

46

Resposta: a) V(X) = 5

b) 95,96%

19. Numa rea dividida em quadrantes de 0,50m2, foram encontrados em mdia 2,5 espcimes.
Considerando que o modelo de Poisson adequado, e seja X o nmero de espcimes por 0,5m2.
a) Qual a probabilidade de se encontrar num quadrante exatamente 4 espcimes?
b) Qual a probabilidade de encontrar no mximo 1 espcime por quadrante?
Resposta: a) 13,36%

b) 28,7%

20. Numa placa de microscpio, dividida em quadrantes de 1mm2, encontra-se em mdia 5 colnias
por mm2. Considerando que a distribuio de Poisson adequada, ou seja: as colnias distribuem-se
aleatoriamente na placa e, o nmero mdio de colnias por mm2 permanece constante e baixo.
a) Qual a probabilidade de um quadrante ter exatamente uma colnia?
b) Qual a probabilidade de encontrar duas colnias por mm2?
c) Qual a probabilidade de encontrar oito colnias em 2 mm2?
Resposta: a) 3,37%

b) 8,42%

c) 11,26%

21. Supondo que o peso de animais da raa Charols, com dois meses de idade, obedea a

uma distribuio normal com mdia igual a 75kg e desvio padro de 10kg. Calcule a
probabilidade de que, um bovino dessa raa e dessa idade, escolhido ao acaso, pese:
a) mais de 69,8kg
b) menos de 97,2kg
c) entre 77,7kg e 82,2kg
d) menos de 77,7kg e mais de 82,2kg
Resposta: a) 69,85%

b) 98,68%

c) 15,78%

c) 84,22%

22. Uma raa de coelhos hbrida, Norfolk, possui peso ao abate aos 90 dias X com distribuio N
(2,60; 0,04). Obter:
a) P (X > 2,70)
b) P (X < 2,45)
c) P (2,55 < X < 2,65)
d) P (X > x) = 0,80
e) P (-x < X < x) = 0,95
f) P (-x < X < x) = 0,90

47

23. Um agricultor usa uma mquina automtica para encher sacos de trigo, cada um com um peso
nominal de 112 lb de gro. No entanto, devido a flutuaes aleatrias do mecanismo de pesagem, o
peso de cada saco uma V.A. Normal de mdia 112,375 lb e desvio padro 0,226 lb;
a) Calcule a probabilidade de um saco escolhido ao acaso conter menos do que o peso nominal;
b) O agricultor fornece o trigo a um moleiro com a condio de que no mais do que 5% dos sacos so
sub-pesados. Determine o valor mais baixo do peso mdio de cada saco que satisfaa a esta condio.
Resposta: a) 4,85%

b) 112,0021

24. Num povoamento florestal temos uma distribuio aproximadamente normal dos Dimetros na
altura do peito (D.A.P.) das rvores, com mdia de 12,6 cm e varincia de 3,1 cm. Se cortarmos todas
as rvores de menos de 15 cm de dimetro, qual a porcentagem de rvores que restaro de p?
Resposta: 8,69%
25. As vendas de sementes de milho tm distribuio normal com mdia igual a 500 sacos e desvio
padro 50 sacos. Se a empresa decide produzir 600 sacos no ms em estudo, qual a probabilidade de
que no possa atender a todos os pedidos do ms, por estar com a produo esgotada?
Resposta: 22,28%
26. Sabe-se que o comprimento de ptalas de uma populao de plantas da espcie X normalmente
distribuda com mdia = 3,2 cm e = 1,8 cm. Qual proporo na populao ter um comprimento
de ptalas:
a) Maior do que 4,5 cm?
b) Entre 2,9 e 3,6 cm?
c) Determinar o valor do comprimento de ptalas que superado por 65% das plantas.
Resposta: a) 23,89%

b) 15,46%

c) 4,874 cm

48