VARIÁVEIS ALEATÓRIAS

CONTÍNUAS
1. Introdução
Definições
Experimento Aleatório: experimento que pode
fornecer diferentes resultados, mesmo que repetido
da mesma maneira.
Espaço Amostral: conjunto de todos os resultados
possíveis de um experimento aleatório.
Evento: subconjunto do espaço amostral.
Exemplos
E1: dois produtos são retirados de um lote,
inspecionados e classificados como Bom ou
Defeituoso.
S1 = {(B,B), (B,D); (D,B); (D,D)}
A: nenhum produto é defeituoso, isto é, A = {(B,B)}
E2: uma porta de automóvel é montada com 100
pontos de solda. Anota-se o número de soldas
defeituosas.
S2 = {0;1;2;3;…;100}
B: porta conter exatamente 5 soldas defeituosas,
isto é, B = {5}
E3: uma lâmpada é ligada e anota-se o tempo
transcorrido até queimar.
S3 = ∈ ℝ ≥ 0
C: tempo de falha maior que 1000 horas, isto é,
C = {t > 1000}
Variáveis Aleatórias Unidimensionais

Ao descrever o espaço amostral de um experimento

aleatório, não é necessário especificar eventos
numéricos. No exemplo 1 anterior o espaço
amostral foi apenas a descrição dos resultados
possíveis.
Em alguns casos, isto é suficiente. Entretanto, em
muitas situações é útil associar números aos
resultados possíveis do espaço amostral, assim como
nos exemplos 2 e 3.
Variável Aleatória é uma variável cujos valores
numéricos estão associados aos resultados possíveis
do espaço amostral de um experimento aleatório.
Uma variável aleatória é denotada por uma letra
maiúscula, por exemplo, X. Após o experimento
aleatório ser conduzido, o valor observado é
denotado por uma letra minúscula, por exemplo,
x = 70.
Vantagem das Variáveis Aleatórias
Ao se utilizar a Teoria dos Conjuntos para se
analisar experimentos aleatórios, fica-se limitado a
espaços amostrais equiprováveis, discretos e finitos.
A abordagem das Variáveis Aleatórias permite a
análise de experimentos aleatórios com espaços
amostrais:
Discretos e finitos;
Discretos e infinitos;
Contínuos.
Tipos de Variáveis Aleatórias
Uma Variável Aleatória Discreta assume valores
que podem ser enumerados e relaciona-se com
contagens: número de peças com defeito,
quantidade de chamadas telefônicas, etc.
Uma Variável Aleatória Contínua pode assumir
qualquer valor numérico em um determinado
intervalo e relaciona-se com medições: pressão,
comprimento, temperatura, voltagem, peso, etc.
2. Variáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas
Para uma variável aleatória contínua X, uma função
densidade de probabilidade é uma função tal que:
fX ( x)
f X ( x) ≥ 0
∞
∫−∞
f X ( x)dx = 1
b
P (a ≤ X ≤ b) = ∫ f X ( x ) dx
a

X
a b
Função de Distribuição Acumulada
A função de distribuição acumulada de uma
variável aleatória contínua X é definida como:
x
FX ( x) = P( X ≤ x) = ∫ f X ( x ) dx − ∞ < x < ∞
−∞
fX ( x)

X
x
 Assim:

= –
a b b a

P (a ≤ X ≤ b) = F (b) − F (a)
Observações:

P ( a ≤ X ≤ b ) = P ( a ≤ X < b) = P ( a < X ≤ b ) =
= P ( a < X < b)
P( X = x0 ) = 0
Média ou Valor Esperado

∞
E ( X ) = µ X = ∫ x. f X ( x) dx
−∞
Propriedades

E ( a ⋅ X + b) = a ⋅ E ( X ) + b

E ( X + Y ) = E ( X ) + E (Y )
Variância

V ( X ) = σ = E ( X − µX )  =

2 2
X  
2
= E(X 2
) −  E ( X ) =
∞
= ∫ ( x − µ X ) . f X ( x) dx =
2
−∞
∞
= ∫ x 2 . f X ( x) dx − µ X2
−∞
Propriedades

V ( aX + b ) = a 2V ( X )

V ( X + Y ) = V ( X ) + V (Y ) + cov ( X ; Y )

Onde: cov ( X ; Y ) = E ( X − µ X )(Y − µY ) 

Se X e Y forem independentes: cov(X;Y ) = 0

Exercício 1
Seja fX (x) tal que:
3x 2 ; 0 ≤ x ≤ 1
fX ( x) = 
0 ; caso contrário
Mostre que fX (x) é uma função densidade de
probabilidade.
Determine a média e a variância de X.
Determine a função densidade de probabilidade gY (y)
de outra variável aleatória contínua Y tal que:
ln X ; 0 ≤ x ≤ 1
Y =
0 ; caso contrário
Exercício 2
A função densidade de probabilidade do
comprimento (em cm) de peças metálicas é:
x 4 ; 1 ≤ x ≤ 3
fX ( x) = 
0 ; caso contrário
Determinar:
A função de distribuição acumulada.
A probabilidade de uma peça ser menor que 2 cm.
O valor y de tal forma que P(X ≤ y) = 0,3
Exercício 3
Uma variável aleatória contínua X tem função de
distribuição acumulada dada por:
1 − e −2 x ; x ≥ 0
FX ( x ) = 
0 ; x<0
Determinar:
A função densidade de probabilidade.
A probabilidade X exceder 3.
O valor y de tal forma que P(X > y) = 0,2.
Exercício 4
Uma variável aleatória contínua X tem função de
distribuição acumulada dada por:
1 2 ⋅ e( x −1) ; x <1
FX ( x ) = 
(1− x )
1 − 1 2 ⋅ e ; x ≥1
Determinar:
P(0 ≤ X ≤ 2)
P[(X ≤ −2) ∪ (X ≥ 2)]
y P(X ≤ y) = 0,6
P(X > 2 | X ≤ 3)
3. Modelos Probabilísticos Contínuos
Modelos Probabilísticos Contínuos
Os modelos probabilísticos abordados são:
Distribuição Exponencial;
Distribuição Normal.
Distribuição Exponencial
Variável aleatória que é igual ao tamanho de um
intervalo até o primeiro evento (ou entre eventos
sucessivos) em um processo de Poisson com média λ .
Função Densidade de Probabilidade e
Função de Distribuição Acumulada
Suponha que falhas ocorram ao longo de um fio.
Seja X a variável aleatória que mede a distância
até que ocorra a 1ª falha.
Suponha que o número de falhas no fio segue uma
distribuição de Poisson. Isto é, seja Y uma variável
aleatória de Poisson que conta a quantidade de
falhas por unidade de comprimento do fio.
A distribuição de X pode ser obtida a partir do
conhecimento da distribuição de Y.
A chave é o seguinte conceito:
A distância até a 1ª falha será maior que x milímetros
se, e somente se, não houver falhas dentro deste
comprimento de x milímetros.
Matematicamente: X > x ⇔ Y = 0
x

0 1ª falha

Y ~ Poisson com média: λ ( ) λx ( )

falhas
1 mm
≡
falhas
x mm
Portanto:
−λ x 0

P ( X > x ) = P (Y = 0 ) =
e (λ x) =e −λ x

0!
Dessa forma:
−λ x
FX ( x ) = P ( X ≤ x ) = 1 − e , x≥0
E:
dFX ( x )
fX ( x) = = λe−λ x , x≥0
dx
Média e Variância

1
E ( X ) = µX =
λ

1
V (X ) =σ =
2
X 2
λ
Gráfico

λ
2,0 2
1
0,5

1,5
f(x)

1,0

0,5

0,0
1 3 5 7 9
X
Exercício 5
O tempo que certo tipo de lâmpada fluorescente
leva até queimar é uma variável aleatória
exponencial com média 2.000 horas. Determinar:
A probabilidade de uma lâmpada qualquer queimar
antes de 500 horas.
A proporção de lâmpadas que duram mais do que
2.000 horas.
O tempo t de tal forma que a probabilidade de uma
lâmpada qualquer queimar antes de t horas seja 0,5.
O tempo de vida, em horas, excedido por 10% das
lâmpadas.
Exercício 6
Seja X o tempo entre detecções de uma partícula
radioativa rara em um contador Geiger. Considere
que X seja distribuído exponencialmente com média
4 minutos. Determinar:
A probabilidade de detectar uma partícula dentro de
0,5 minuto a partir do começo da contagem;
Dado que já esperamos 3 minutos e não detectamos
nenhuma partícula, qual a probabilidade de detecção
no próximo 0,5 minuto?
Falta de Memória
O exercício anterior ilustra uma propriedade
interessante da distribuição exponencial: a falta de
memória.
Matematicamente:

P ( X < t1 + t2 X > t1 ) = P ( X < t2 )

Exercício 7
A distância entre buracos em uma rodovia segue uma
distribuição exponencial com média 0,5 km.
Dado que nenhum buraco foi encontrado em 10 km de
rodovia, qual é a probabilidade de se encontrar um buraco
dentro dos próximos 0,5 km?
A probabilidade de que a distância entre dois buracos
consecutivos quaisquer seja entre 1 e 2 km.
A probabilidade de que haja pelo menos um buraco em
uma distância de 3 km.
A distância D de forma que a probabilidade de se
encontrar pelo menos um buraco em D km seja igual a 95%.
Exercício 8
O tempo entre chamadas telefônicas em um escritório
segue uma distribuição exponencial com média 10
minutos. Determinar:
A probabilidade de haver uma chamada antes de meia
hora?
A probabilidade de não haver chamadas antes de meia
hora?
O tempo t de tal forma que a probabilidade de nenhuma
chamada antes de t minutos seja 0,01.
A probabilidade que haja 3 ou mais chamadas no intervalo
de meia hora.
Distribuição Normal
O modelo mais utilizado para alocar
probabilidades a eventos, devido ao Teorema do
limite central:
Toda vez que um experimento aleatório for replicado,
a variável aleatória média (ou o total) dos resultados
tende à curva normal quando o número de réplicas for
grande
 Exemplo: arremesso de dados
1 Dado 2 Dados
0.20

0.15
0.15
Probabilidade

Probabilidade

0.10
0.10

0.05
0.05
0.00

0.00
1 2 3 4 5 6 2 3 4 5 6 7 8 9 10 11 12

Soma das Faces Soma das Faces

4 Dados 8 Dados
0.12

0.08
0.06
0.08
Probabilidade

Probabilidade

0.04
0.04

0.02
0.00

0.00

4 5 6 7 8 9 10 12 14 16 18 20 22 24 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48

Soma das Faces Soma das Faces

Note que, muito embora a distribuição original não seja normal, à medida
que o número de dados cresce, o total se aproxima da curva normal.
Função Densidade de Probabilidade

 − ( x − µ )2 
1  2 
 2σ 
f X ( x) = ⋅e
2π ⋅ σ
Média e Variância

E ( X ) = µX = µ

V (X ) =σ =σ
2
X
2
Gráfico

σ=1
µ
0,4 5
15

0,3
f(x)

0,2

0,1

0,0
0 5 10 15 20
X
 µ = 10
σ
0,4 1
4

0,3
f(x)

0,2

0,1

0,0
0 5 10 15 20 25
X
Distribuição Normal Padronizada
A Distribuição Normal Padronizada é aquela cuja
média e desvio padrão são, respectivamente, 0 e
1.

1 ( 2)
− z 2

fZ ( z ) = ⋅e
2π
Ela é denotada por Z ~ N(0;1).
Função de Distribuição Acumulada
Padronizada

z 1 ( − z 2 2)
FZ ( z ) = ∫ ⋅e dz
−∞
2π
A função de distribuição acumulada é tabelada
para diversos valores de z.
Exercício 9
Determinar, por meio da tabela, as seguintes
probabilidades:
P (Z ≤ 0,86)
P (Z > 0,86)
P (Z > –0,86)
P (Z ≤ –0,86)
P (–0,86 ≤ Z ≤ 0,86)
y | P (Z ≤ y ) = 0,95
y | P (Z > y) = 0,99
y | P (–y ≤ Z ≤ y) = 0,90
Padronização
Seja X uma variável aleatória normal com média μ
e variância σ2, denotada por X ~ N(μ,σ2).
A variável Z, definida por:

X −µ
Z=
σ
é uma variável aleatória normal padronizada.
Exercício 10
O volume de enchimento de uma máquina automática
utilizada para encher garrafas de refrigerante é
distribuído normalmente com média 1000 ml e desvio-
padrão 50 ml.
Qual a probabilidade de uma garrafa com mais de 1100
ml?
Qual a probabilidade de uma garrafa com menos de 950
ml?
Qual é a proporção de garrafas entre 950 e 1100 ml?
Determine as especificações simétricas em torno da média
que contém no mínimo 95% das garrafas.
Exercício 11
Considere uma distribuição normal com média µ e
desvio-padrão σ. Determine as seguintes
probabilidades:

P ( µ − 1⋅ σ ≤ X ≤ µ + 1⋅ σ )

P ( µ − 2 ⋅σ ≤ X ≤ µ + 2 ⋅σ )

P ( µ − 3 ⋅σ ≤ X ≤ µ + 3 ⋅σ )
Exercício 12
Um advogado viaja diariamente de sua casa até seu
escritório. O tempo da viagem de ida pode ser
considerado normal com média 24 minutos e desvio-
padrão de 3,8 minutos. Determinar:
A probabilidade de uma viagem demorar menos de meia
hora.
Se o escritório abre às 9:00 e ele sai de casa às 8:45, qual
é a porcentagem de vezes que ele chega atrasado?
Determine o tempo acima do qual encontramos no mínimo
os 15% dos tempos mais longos de viagem.
Determine a probabilidade de que duas das próximas três
viagens levem menos de meia hora.
Exercício 13
O tempo de vida de um arranjo mecânico é
distribuído normalmente com µ = 400 horas e σ =
100 horas
Determine o tempo a partir do qual um máximo de
1/4 dos arranjos já falhou?
Se um arranjo estiver funcionando por 100 horas sem
apresentar defeito, qual é a probabilidade de uma
falha ocorrer dentro das próximas 300 horas?
4. Combinações Lineares de
Variáveis Aleatórias
Combinações Lineares de V.A.
Uma variável aleatória é algumas vezes definida
como uma combinação linear de duas ou mais
variáveis aleatórias.
Por exemplo, se X1 e X2 forem o comprimento e
largura de uma peça retangular, então:
Y = 2.X1 + 2.X2
é a variável aleatória que denota o perímetro da
peça.
Definição
Dadas as variáveis aleatórias X1 , X2 , ... , Xn e as
constantes c1 , c2 , ... , cn , então:

Y = c1 ⋅ X 1 + c2 ⋅ X 2 + ... + cn ⋅ X n

é uma combinação linear de X1 , X2 , ... , Xn.

Exemplos
X1 X2 X3 A resistência equivalente Y é:
Y = 1⋅ X 1 + 1⋅ X 2 + 1⋅ X 3

A folga Y é:
X1 X2 Y = 1⋅ X 1 + ( −1) ⋅ X 2

A média amostral Y é:
A cada hora, uma amostra
de 4 peças é selecionada, 1 1 1 1
Y = ⋅ X1 + ⋅ X 2 + ⋅ X 3 + ⋅ X 4
seu diâmetro é medido e a 4 4 4 4
média da amostra é
calculada.
Média de uma Combinação Linear
E (Y ) = E ( c1 ⋅ X 1 + c2 ⋅ X 2 + ... + cn ⋅ X n )

E (Y ) = c1 ⋅ E ( X 1 ) + c2 ⋅ E ( X 2 ) + ... + cn ⋅ E ( X n )

Sejam: E ( X i ) = µi
n
Então: E (Y ) = ∑ ci ⋅ µi
i =1
Variância de uma Combinação Linear
n n
V (Y ) = c ⋅ V ( X 1 ) + c ⋅ V ( X 2 ) + ... + c ⋅ V ( X n ) + ∑∑ ci ⋅ c j ⋅ cov ( X i , X j )
2
1
2
2
2
n
i =1 j =1
i≠ j

No caso das variáveis serem independentes:

V (Y ) = c ⋅V ( X 1 ) + c ⋅V ( X 2 ) + ... + c ⋅V ( X n )
2
1
2
2
2
n

Sejam V ( X i ) = σ e V (Y ) = σ
2 2
i Y

n
Então: σ = ∑ c ⋅ σ
2
Y
2
i i
2

i =1
Exercício 14
Quatro pessoas adultas entram independentemente
em um elevador. Se o peso dos indivíduos adultos
tem média de 72 kg e desvio-padrão 12 kg,
determine a média e o desvio-padrão da carga no
elevador.
Média e Variância de uma Média
Seja a combinação linear particular que representa
a média aritmética de n variáveis aleatórias, todas
com média e variâncias idênticas. Isto é, sejam:

X=
( X 1 + X 2 + ... + X n ) 1
= ⋅X
1 1
1+ ⋅ X 2 + ... + ⋅ X n
n n n n
E ( X 1 ) = E ( X 2 ) = ... = E ( X n ) = µ

V ( X 1 ) = V ( X 2 ) = ... = V ( X n ) = σ 2
Aplicando-se a fórmula da média de uma
combinação linear:
1 1 1 n
E ( X ) = µ + µ + ... + µ = µ = µ
n n n n
Se as variáveis também forem independentes:
2 2
1 2 1 2 1 2 nσ σ
V ( X ) = 2 σ + 2 σ + ... + 2 σ = 2 =
n n n n n
Exercício 15
O peso de indivíduos adultos tem média de 72 kg
e desvio-padrão 12 kg. Uma amostra aleatória de
25 adultos é escolhida desta população. Determine
a média e o desvio-padrão da distribuição da
média amostral.
Propriedades Reprodutivas da
Distribuição Normal
Sejam X1 , X2 , ... , Xn variáveis aleatórias normais
independentes com:
E ( X i ) = µi
V ( Xi ) = σ i
2

Então: Y = c1 ⋅ X 1 + c2 ⋅ X 2 + ... + cn ⋅ X n tem

distribuição normal com parâmetros:
E (Y ) = c1 ⋅ µ1 + c2 ⋅ µ2 + ... + cn ⋅ µn
V (Y ) = c12 ⋅ σ 12 + c22 ⋅ σ 22 + ... + cn2 ⋅ σ n2
Exercício 16
Uma peça é composta de duas metades. A
espessura de cada metade é normalmente
distribuída com média 1,5mm e desvio-padrão
0,1mm. As duas metades são independentes.
Determine a média e os desvio-padrão da espessura
total da peça.
Qual é a probabilidade da espessura total exceder
3,3mm.
Observação Importante
Podemos unir as propriedades reprodutivas da
distribuição normal com o resultado da combinação
linear que representa a média aritmética de n
variáveis aleatórias.
Sejam X1 , X2 , ... , Xn variáveis aleatórias normais
independentes e com médias e variâncias idênticas:

E ( X 1 ) = E ( X 2 ) = ... = E ( X n ) = µ

V ( X 1 ) = V ( X 2 ) = ... = V ( X n ) = σ 2
Conclusão:
X tem distribuição normal com média e variância:

E ( X ) = µX = µ
2
σ
V (X ) =σ =2
X
n
 (
X ∼ N µ ;σ n )

X ∼ N ( µ ;σ )
Exercício 17
O peso de indivíduos adultos tem média de 72 kg
e desvio-padrão 12 kg. A distribuição dos pesos
segue uma distribuição normal. Encontre a
probabilidade de:
Uma pessoa escolhida aleatoriamente ter peso menor
que 70 kg.
Uma amostra aleatória de 5 pessoas ter um peso
médio menor que 70kg.
Teorema do Limite Central
Se uma variável aleatória X puder ser descrita
como a soma de n variáveis aleatórias
independentes X1 , X2 , ... , Xn , então, para n
suficientemente grande, essa soma X terá
distribuição normal. Isto é, se cada Xi tiver média e
variância:
E ( Xi )

V ( Xi )
Então:

X = ∑ i =1 X i ~ N  E ( X ) ;V ( X ) 
n

n
E ( X ) = ∑ E ( Xi )
i =1
n
V ( X ) = ∑V ( X i )
i =1

Para n → ∞
Outra maneira de enunciar o Teorema do Limite
Central é: seja Y = X 1 + X 2 + … + X n . Então, a
distribuição da variável:
n
Y − ∑ µi
i =1
n

∑ i
σ 2

i =1

se aproxima de uma distribuição N(0;1) à medida

que n tende a infinito.
Exemplos
O consumo de eletricidade X de uma cidade é a
soma de pequenas procuras X1 , X2 , ... , Xn .
O erro de medição X de um instrumento pode ser
pensado como a soma de muitas pequenas
contribuições, nenhuma das quais influindo muito no
erro final.