GET00143 Apostila

Universidade Federal Fluminense
Instituto de Matemtica e Estatstica
GET00143 TEORIA DAS PROBABILIDADES II

Variveis Aleatrias Unidmensionais
Ana Maria Lima de Farias

Jessica Quintanilha Kubrusly
Mariana Albi de Oliveira Souza
Departamento de Estatstica
Contedo
1 Variveis Aleatrias 1
1.1 Uma Breve Reviso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Funo de Distribuio Acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Classificao de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Variveis Aleatrias Discretas 19
2.1 Funo de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Funes de Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Esperana de Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Varincia e Desvio-Padro de Varivel Aleatria . . . . . . . . . . . . . . . . . . . 38
3 Algumas Distribuies Discretas 47
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Distribuio Uniforme Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Distribuio de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5 Distribuio Hipergeomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.6 Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.7 Distribuio Binomial Negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.8 Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.9 Mais Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4 Variveis Aleatrias Contnuas 89
4.1 Funo Densidade de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
i
ii CONTEDO
4.2 Esperana de Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . 93
4.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.4 Densidade Simtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5 Algumas Distribuies Contnuas 105
5.1 Distribuio Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2 Distribuio Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.3 Distribuio Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.4 Distribuio Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.5 Distribuio de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.6 Distribuio de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6 Funes de Variveis Aleatrias Contnuas 129
6.1 Mtodo da Funo de Distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.1.1 Caso em que g inversvel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
6.1.2 Caso em que g no inversvel . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.2 Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6.2.1 Generalizao do Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . 142
7 A Distribuio Normal 145
7.1 Distribuio Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.1.1 Funo Densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.1.2 Esperana e Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.1.3 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7.2 Clculo de Probabilidades da Normal Padro . . . . . . . . . . . . . . . . . . . . . 147
7.2.1 Tabela 1: P(0 Z z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.2.2 Tabela 2: (z) = P(Z z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
7.3 Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
7.3.1 Caractersticas da Funo Densidade Normal . . . . . . . . . . . . . . . . 156
7.3.2 Parmetros Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . 157
7.3.3 Funo de Distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
7.4 Clculo de Probabilidades da Normal . . . . . . . . . . . . . . . . . . . . . . . . . . 159

CONTEDO iii
7.5 Encontrando a Abscissa da Normal para uma Probabilidade Especfica . . . . . 162
7.6 Exemplos de aplicao da distribuio Normal . . . . . . . . . . . . . . . . . . . . 166
7.7 A distribuio log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.7.1 Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.7.2 Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
7.7.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
8 Momentos e sua Funo Geradora 177
8.1 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
8.2 Alguns Coeficientes e suas Interpretaes . . . . . . . . . . . . . . . . . . . . . . . 178
8.3 Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
8.4 Algumas Desigualdades Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
A Alguns Resultados de Clculo 193
A.1 Sries geomtricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
A.2 A funo logartmica natural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
A.3 A funo exponencial natural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
A.4 Funo exponencial de base a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
A.5 A funo logartmica de base a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
A.6 Limites envolvendo as funes exponencial e logartmica . . . . . . . . . . . . . . 207
A.7 Funes pares e mpares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
A.8 Integrais duplas com coordenadas polares . . . . . . . . . . . . . . . . . . . . . . . 211
A.9 A funo gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
B Tabelas da Distribuio Normal 217

Captulo 1
Variveis Aleatrias
Neste captulo ser introduzido o conceito de Varivel Aleatria e de Funo de

Distribuio. Antes disso, na primeira seo do captulo, ser feita uma breve reviso a
fim de destacar alguns resultados importantes para o contedo que segue.
1.1 Uma Breve Reviso
Um experimento que pode gerar diferentes resultados se realizado mais de uma vez sob
as mesmas condies chamado de experimento aleatrio. Como exemplo de experimentos
aleatrios temos: o lanamento de um dado e a observao da face superior; a observao
do tempo de durao de um certo dispositivo eletrnico; lanamentos consecutivos de uma
moeda at que saia a face cara.
O conjunto formado por todos os possveis resultados de um experimento aleatrio

chamado de espao amostral e representado pela letra grega maiscula . Em geral
usamos a letra grega minscula para representar um resultado especfico de um experimento
aleatrio. Nesse caso podemos escrever .
Seja um espao amostral de algum experimento aleatrio. Todo subconjunto A

ser chamado de evento.
Exemplo 1.1
Para os experimentos aleatrios listados a seguir defina um espao amostral e apresente
alguns eventos.
(a) o lanamento de um dado e a observao da face superior;

(b) a observao do tempo de durao de um certo dispositivo eletrnico;
(c) lanamentos consecutivos de uma moeda at que saia a face cara.
Soluo:
(a) = {1, 2, 3, 4, 5, 6}.

Eventos:
E1 = { sair uma face par } = {2, 4, 6};
E2 = { sair um nmero maior que 1 } = {2, 3, 4, 5, 6};
E3 = { sair o nmero 3 } = {3};
E4 = , o evento vazio.
2 CAPTULO 1. VARIVEIS ALEATRIAS
(b) = {t R | t 0}, onde t o tempo de durao em minutos.

Eventos:
E1 = { o dispositivo durar entre 10 e 30 minutos } = (10, 30);
E2 = { o dispositivo durar menos de 15 minutos } = [0, 15);
E3 = { o dispositivo durar exatos 5 minutos e 30 segundos } = {5.5};
E4 = { o dispositivo pelo menos 1 hora } = [60, ).
(c) = {K , C K , CC K , CCC K , CCCC K , . . .}, onde K representa a face cara e C a face

coroa.
Eventos:
E1 = { sair 2 coroas } = {CC K };
E2 = { ocorrer mais de 2 lanamentos da moeda } = {CC K , CCC K , . . .};
E3 = { ocorrer menos de 5 lanamentos } = {K , C K , CC K , CCC K , CCCC K };
E4 = { ocorrer qualquer sada } = , o prprio espao amostral.

Definio 1.2 -lgebra

Seja um espao amostral de algum experimento aleatrio. Uma classe de subconjuntos
de , representada por F , denominada uma -lgebra se satisfaz as seguintes
propriedades:
A1 . F ;
A2 . Se A F Ac F ;
A3 . Se Ai F i
i=1 Ai F .
Veja que uma -lgebra um conjunto de eventos, ou seja, um conjunto de subconjuntos

de . Alm disso, dada uma -lgebra F qualquer sempre temos F , uma vez que F
e o complementar de qualquer elemento tambm um elemento da -lgebra (A2 ).
O conjunto de todos os subconjuntos de chamado de conjunto das partes de .
Exemplo 1.3
Considere o experimento de lanar de um dado e observar a sua face superior. Para esse
experimento defina = {1, 2, 3, 4, 5, 6}. Apresente duas possveis -lgebras para esse
espao amostral .
Soluo:
A primeira -lgebra F1 ser definida pelo conjunto das partes de , que tem 26 =
64 elementos. Entre eles est o nico subconjunto com zero elementos, , todos os 6
subconjuntos com 1 elemento, {1}, {2}, {3}, {4}, {5} e {6}, todos os 15 subconjuntos com
2 elementos, {1, 2}, {1, 3}, {1, 4}, {1, 5}, {1, 6}, {2, 3}, {2, 4}, {2, 5}, {2, 6}, . . . , {5, 4} e {5, 6},
assim por diante at o nico subconjunto com 6 elementos, que o prprio = {1, 2, 3, 4, 5, 6}.
F1 = { , {1}, {2}, . . . , {6}, {1, 2}, {1, 3}, . . . {5, 6}, {1, 2, 3}, . . . {4, 5, 6},
{1, 2, 3, 4} . . . {3, 4, 5, 6}, {1, 2, 3, 4, 5} . . . {2, 3, 4, 5, 6}, {1, 2, 3, 4, 5, 6} }.
Um outro exemplo de -lgebra F2 = {, }.
Verifique que tanto F1 quanto F2 satisfazem as propriedades A1 , A2 e A3 listadas na

Definio 1.2.

1.1. UMA BREVE REVISO 3
Definio 1.4 Probabilidade

Seja um espao amostral de um experimento aleatrio e F uma -lgebra de
subconjuntos de . Uma funo P : F 7 [0, 1] uma probabilidade se satisfaz os
seguintes axiomas, chamados de Axiomas de Kolmogorov:
Ax1 . P() = 1;
Ax2 . Para todo evento A F , P(A) 0;
Ax3 . Para toda sequncia de eventos A1 , A2 , . . . F mutuamente exclusivos, isto , tais

que Ai Aj = i 6= j, temos

X
P Ui=1 Ai = P(Ai ).
i=1
A trinca (, F , P) denominada Espao de Probabilidade.
Em alguns livros, por exemplo James (2004), os autores fazem distino entre evento e
evento aleatrio. Enquanto evento qualquer subconjunto do espao amostral o termo Evento
Aleatrio definido como qualquer evento ao qual atribudo uma probabilidade, ou seja, os
eventos da -lgebra. Neste texto, por se tratar de um primeiro curso de probabilidade, no
vamos fazer essa distino. Sempre que qualquer um dos dois termos for mencionado ele se
refere a um evento ao qual atribudo uma probabilidade.
Proposio 1.5 Propriedades da Probabilidade

Seja (, F , P) um espao de probabilidade. Sejam tambm A, B e Ai eventos nesse espao de
probabilidade. Ento valem as seguintes propriedades:
P1 . P(A) = 1 P(Ac );
P2 . P(B) = P(B A) + P(B Ac );
P3 . Se A B P(A) P(B);
P4 . P(A B) = P(A) + P(B) P(A B) (ou P(A B) = P(A) + P(B) P(A B));

Ai
P
P5 . P Ui=1 i=1 P(Ai ).
Demonstrao:
Para a demonstrao da Proposio 1.5 veja Proposio 1.1 de Magalhes (2011).

Exemplo 1.6 Problema do Aniversrio

Em um grupo com r pessoas qual a probabilidade de pelo menos duas fazerem aniversrio no
mesmo dia? Qual o menor nmero de pessoas tal que a probabilidade de pelo menos duas
fazerem aniversrio no mesmo dia seja maior que 99%?
Soluo:
Vamos primeiro resolver para r = 5.
Qual o experimento aleatrio que est sendo realizado? O experimento pode ser
definido como sortear 5 datas de aniversrios (aniversrio dos indivduos), entre as 365
possveis. Ento o espao amostral para esse experimento pode ser representado por:
= {(1, 1, 1, 1, 1), (1, 1, 1, 1, 2), , (1, 1, 1, 2, 1), . . . , (2, 4, 123, 201, 250), . . . , (365, 365, 365)}.
O elemento (1, 1, 1, 1, 1) representa a sada em que todos os aniversrios sorteados foram

01/jan, o elemento (365, 365, 365) representa a sada em que todos os aniversrios sorteados
foram 31/dez e o elemento ((2, 4, 123, 201, 250) representa a sada em que um aniversrio foi
o segundo dia do ano (02/jan), o segundo aniversrio foi o quarto dia do ano (04/jan), e assim
por diante.
Veja que # = 3655 .
Como queremos calcular uma probabilidade devemos definir o evento para o qual
queremos encontrar a probabilidade. Que evento esse?
E = {pelo menos duas pessoas no grupo de 5 fazendo aniverrio no mesmo dia}.
Veja que (1, 2, 3, 4, 5)

/ E, mas (1, 1, 1, 1, 1) E e (1, 10, 20, 53, 10) E. Supondo que
todos os dias do ano so igualmente provveis de serem escolhidos a probabilidade associada
a cada elemento de ser 1/3655 , pois nesse caso o espao amostral ser equiprovvel. Ento
para saber P(E) basta saber quantos elementos esto contidos em E.
Mais fcil do que contar o nmero de elementos de E ser contar o nmero de elementos
de E c . Como podemos usar P(E c ) para encontrar P(E), veja Proposio 1.5, vamos resolver
por esse caminho. Para isso precisamos definir E c :
E c = {nenhum par de pessoas fazendo aniverrio no mesmo dia}.
Veja que #E = 365 364 363 362 361. Ento
365 364 363 362 361

P(E c ) = = 0, 9729 P(E) = 0, 0271.
3655
Repetindo as mesmas contas para diferentes valores de r podemos construir a tabela

abaixo.
r 5 10 20 30 40 50 60
P(E) 0,0271 0,1169 0,4114 0,7063 0,8912 0,9704 0,9941

1.2 Variveis Aleatrias
Considere o experimento aleatrio definido pelo sorteio de uma amostra de 20

funcionrios de uma empresa que tem 500 funcionrios. O espao amostral deste experimento
formado por todas as amostras possveis com 20 funcionrios da empresa. Como a ordem
que os funcionrios so sorteados no importa e no
deve haver repetio de funcionrios em
um sorteio, o nmero total de tais amostras 20 . Cada elemento desse espao amostral
500
formado pela relao dos 20 funcionrios sorteados.
Em situaes como essa, em geral, o interesse no est no funcionrio em si, mas, sim, em
alguma caracterstica deste funcionrio, por exemplo, sua altura, se tem curso superior ou no,
nmero de dependentes. Dessa forma, poderamos calcular a altura mdia dos funcionrios
da amostra, o nmero mdio de dependentes, a proporo de funcionrios com curso superior,
etc. Ento, a cada amostra possvel, ou seja, a cada ponto do espao amostral associamos um
nmero. Essa a definio de varivel aleatria.
1.2. VARIVEIS ALEATRIAS 5
Definio 1.7 Varivel aleatria

Seja (, F , P) um espao de probabilidade. Uma varivel aleatria X qualquer funo
X : R tal que
X 1 (I) = { : X () I} F
para todo intervalo I R, ou seja, X tal que sua imagem inversa de qualquer I R
pertence lgebra F .
Dito de outra forma, uma varivel aleatria uma funo real (isto , que assume valores
em R) definida no espao amostral de um experimento aleatrio. Isso significa que uma
varivel aleatria uma funo que associa a cada elemento de um nmero real.
Por questes de simplicidade, muitas vezes abreviaremos a expresso varivel aleatria

por v.a.. A conveno usual para representar uma v.a. consiste em usar letras maisculas
como X , Y , etc. Um valor especfico, mas genrico, desta varivel ser representado pela letra
minscula correspondente: x, y, etc.
Como uma varivel aleatria X uma funo muitas vezes estaremos interessados na
sua imagem, Im(X ), que definida pelo conjunto de valores que a varivel aleatria pode
assumir. Veja os exemplos a seguir.
Exemplo 1.8
Considere o experimento de lanar trs vezes uma moeda. Seja X a varivel aleatria definida
pelo nmero de caras nos trs lanamentos.
(a) Defina o espao amostral deste experimento.
(b) Determine X () para cada .
(c) Determine Im(X ).
Soluo:
Para definir o espao amostral vamos representar por K a cara e por C a coroa.
(a) = {K K K , K K C , K C K , K CC , C K K , C K C , CC K , CCC }.
(b) X (K K K ) = 3, X (K K C ) = 2, X (K C K ) = 2, X (K CC ) = 1, X (C K K ) = 2,
X (C K C ) = 1, X (CC K ) = 1, X (CCC ) = 0.
(c) Im(X ) = {0, 1, 2, 3}.

Exemplo 1.9 Jogo de Dardo 10

20
Considere o experimento de lanar um dardo em um alvo formado
30
por quatro crculos concntricos de raios 10, 20, 30 e 40, como o
da figura ao lado. Para esse experimento defina duas variveis 10 20 30 40 30 20 10
aleatrias X e Y : seja X a distncia entre o dardo e o centro do
30
alvo e Y a pontuao ganha no lanamento do dardo, indicada
20
tambm na figura. Defina um espao amostral do experimento e 10
determine Im(X ) e Im(Y ).
Soluo:
Vamos supor que se o dardo for lanado fora do alvo o experimento repetido. Nesse caso
podemos representar cada sada do experimento pelo ponto no plano representado pelo local
em que o dardo foi lanado dentro do alvo. Assim o espao amostral ser:
q
= (i, j) | i + j 40 .
2 2
p
Lembre-se que i2 + j 2 a distncia do ponto (i, j) origem, isto , ao centro do alvo.
Como a v.a. X definida justamente p pela distncia entre o dardo e o centro alvo podemos
concluir que, (i, j) , X (i, j) = i2 + j 2 . Alm disso, a menor distncia possvel 0 e a
maior 40, logo 0 X (i, j) 40 e Im(X ) = [0, 40].
J a v.a. Y , que definida pelos pontos ganhos, s pode assumir os valores 40, 30, 20
ou 10, de acordo com a pontuao indicada na figura. Ento Im(Y ) = {10, 20, 30, 40}.

Exemplo 1.10
Considere o experimento de observar, durante um dia, o nmero de nascimentos e o sexo dos
bebs em uma certa maternidade. Para esse experimento considere o evento A = nasceram
mais homens que mulheres no dia de observao.
(a) Defina um espao amostral para o experimento.
(b) Defina o evento A a partir dos elementos de .
(c) Verifique que F = {, , A, Ac } uma -lgebra.
(d) Verifique que a funo IA definida a seguir uma varivel aleatria.

1 , se A
IA () =
0 , se / A
(e) Determine Im(IA ).
Soluo:
(a) Vamos representar cada elemento de por um par ordenado (x, y) de forma que
x indique o nmero de nascimentos de bebs do sexo feminino e y o nmero de
nascimentos de bebs do sexo masculino. Como tanto x quanto y indicam uma contagem,
ambos tm que ser nmeros naturais. Logo, = {(x, y) N2 }.
(b) O evento A definido pelo subconjunto de tal que cada elemento representa mais
nascimentos de meninos do que de meninas. Por exemplo, {(0, 1), (2, 4), (1, 3)} A e
{(5, 2), (0, 0), (1, 0)} * A. Podemos ento definir A = {(x, y) N2 | x < y}.
(c) Para verificar que F -lgebra vamos verificar as propriedades A1 , A2 e A3 da Definio

1.2. A1 imediata, pois F . Como F s tem 4 elementos, podemos, para cada um
deles, ver que o seu complementar tambm pertence F e assim verificar A2 . O mesmo
vale para A3 , podemos verificar que qualquer unio tambm ser elemento de F .
(d) Para verificar que IA v.a. preciso verificar que a imagem inversa de qualquer intervalo
I R pertence -lgebra F . Seja I R um intervalo qualquer. Se 0 I e 1 I,
ento IA1 (I) = F . Se 0 / I e1 / I, ento IA1 (I) = F . Se 0 / I e 1 I, ento
1
IA (I) = A F . Se 0 I e 1 / I, ento IA1 (I) = Ac F . Logo, IA varivel aleatria.
(e) Im(IA ) = {0, 1}.

1.3. FUNO DE DISTRIBUIO ACUMULADA 7

A funo IA definida no Exemplo 1.10 chamada de funo indicadora do conjunto A.

Sempre que A for um evento da -lgebra, IA ser varivel aleatria. Nesse caso IA indica a
ocorrncia ou no do evento A. Veja a definio formal a seguir.
Definio 1.11 Varivel Aleatria Indicadora

Seja A um evento qualquer no espao de probabilidade (, F , P). A funo IA definida
por
1 , se A
IA () =
0 , se / A
uma varivel aleatria e chamada de varivel aleatria indicadora (ou v.a. dummy,
ou v.a. binria).
1.3 Funo de Distribuio Acumulada
Seja X uma varivel aleatria definida no espao de probabilidade (, F , P). Veja que,
pela prpria definio de varivel aleatria, qualquer que seja o intervalo I R
E = { | X () I}
um evento e logo P(E) bem definido. Ou seja, podemos calcular P(E). Por abuso de
notao costuma-se escrever essa probabilidade da seguinte maneira,
P(E) = P({ | X () I}) = P(X I),
que a probabilidade da v.a. X assumir valores no intervalo I.
Em particular podemos escolher o intervalo I = (, x], qualquer que seja x R.

Nesse caso P(E) = P( | X () (, x]) = P(X x). Se conhecermos P(X x) para
todo x R podemos calcular a probabilidade de qualquer evento. Por esse motivo to
importante a definio a seguir.
Definio 1.12 Funo de Distribuio Acumulada

Dada uma varivel aleatria X , a funo de distribuio acumulada de X , ou
simplesmente funo de distribuio, definida por
FX (x) = P (X x) x R.
interessante notar que a funo FX est definida para todo nmero real x,
independente dos valores que a varivel aleatria X possa assumir. Alm disso tambm
vale notar que FX : R [0, 1].
Exemplo 1.13
Considere o experimento de lanar uma moeda. Para esse experimento seja X a v.a. indicadora
da ocorrncia da face cara, isto ,

1 , se sair cara;
X=
0 , se sair coroa.
Encontre a funo de distribuio de X e esboce seu grfico.
Soluo:
Queremos encontrar FX (x) = P(X x) x R. Veja que Im(X ) = {0, 1},
0 1
vamos pensar em FX (x) para valores de x separadamente nos conjuntos (, 0), {0}, (0, 1),
{1} e (1, ). Primeiro veja que se x (, 0).
x 0 1
X no pode assumir valores menores que x, veja que todos os elementos de Im(X ) esto
direta de x na reta acima. Ento FX (x) = 0 sempre que x < 0.
E se x = 0? FX (0) = P(X 0) = P(X = 0) = P(sair coroa) = 1/2.
Vejamos agora a situao em que 0 < x < 1, x (0, 1).
0 x 1
A nica possibilidade de X assumir valores menores que x quando X = 0, veja a reta acima.
Ento FX (x) = P(X x) = P(X = 0) = 1/2 sempre que 0 < x < 1.
Se x = 1, FX (1) = P(X 1) = P(X = 0 ou X = 1) = P(sair cara ou coroa) = P() = 1.
Para terminar, considere x > 1, isto , x (1, ).
0 1 x
Nesse caso FX (x) = P(X x) = P(X = 0 ou X = 1) = P(sair cara ou coroa) = P() = 1.
Concluindo, a funo FX e seu grfico esto definidos a seguir.

0 , se x < 0;
FX (x) = 1/2 , se 0 x < 1;
, se x 1.
0.5
1
1 0.5 0 0.5 1 1.5 2

Exemplo 1.14
Considere o experimento e a v.a. descritos no Exemplo 1.8. Encontre e esboce o grfico da
funo de distribuio de X , definida pelo nmero de caras em 3 lanamentos de uma moeda.
Soluo:
J vimos que Im(X ) = {0, 1, 2, 3}. Vamos primeiro determinar FX (x) para x (, 0).
x 0 1 2 3
Veja que se x < 0 no tem como a v.a. X assumir valores menores ou iguais a x, pois todos
os elementos da Im(X ) so maiores que x. Por isso, se x < 0 temos FX (x) = P(X x) = 0. J
se x = 0, temos FX (0) = P(X 0) = P(X = 0) = P(sair K K K ) = 1/8.
Agora vajamos o caso em que x (0, 1).
0 x 1 2 3
Nesse caso temos FX (x) = P(X x) = P(X = 0) = P(K K K ) = 1/8. J se x = 1 temos

FX (1) = P(X 1) = P(X = 0 X = 1) = P({K K K , K K C , K C K , C K K }) = 4/8 = 1/2.
Suponha agora x (1, 2).
0 1 x 2 3
Nesse caso temos FX (x) = P(X x) = P(X = 0 X = 1) =

P({K K K , K K C , K C K , C K K }) = 4/8 = 1/2. J se x = 2 temos FX (2) = P(X 2) = P(X =
0 X = 1 X = 2) = P({K K K , K K C , K C K , C K K , K CC , C K C , CC K }) = 7/8.
Ainda temos o caso em que x (2, 3).
0 1 2 x 3
Nesse caso temos FX (x) = P(X x) = P(X = 0 X = 1 X = 2) = 7/8. J se x = 3

temos FX (3) = P(X 3) = P(X = 0 X = 1 X = 2 X = 3) = P() = 1.
Para terminar, seja x (3, ).
0 1 2 3 x
Nesse caso FX (x) = P(X x) = P(X = 0 X = 1 X = 2 X = 3) = P() = 1.
Concluindo, a funo FX e seu grfico esto definidos a seguir.
1
7/8

0 , se x < 0;
, 0 x < 1;

1/8 se
1/2
FX (x) = 1/2 , se 1 x < 2;
, 2 x < 3;

7/8 se
, x 3.

1 se 1/8
0
1 0 1 2 3 4

Exemplo 1.15
Suponha o experimento de sortear de forma aleatria um ponto no intervalo (0, 1). Para esse
experimento defina X como sendo o ponto sorteado. Encontre a funo de distribuio de X .
Soluo:
Veja que Im(X ) = (0, 1). Dado x (0, 1) qualquer, P(X x) = x. Se x 0, P(X x) = 0, pois
no h nmeros possveis de serem sorteados menores que 0. J se x 1, P(X x) = 1, pois
todos os nmeros possveis de serem sorteados so menores ou iguais a 1.
0 x 1
Ento a funo de distribuio FX pode ser definida por:

0 , se x 0;
FX (x) = x , se 0 < x < 0;
1 , se x 1.

0 1

Proposio 1.16 Propriedades da Funo de Distribuio
Seja FX a funo de distribuio de alguma varivel aleatria X . Ento FX satisfaz as
seguintes propriedades.
F1 . limx FX (x) = 1 e limx FX (x) = 0 .
F2 . FX funo no decrescente, isto , se a < b FX (a) FX (b) .
F3 . FX funo contnua direita, isto , FX (b+ ) , limh0 FX (b + h) = FX (b).

Demonstrao:
As propriedades a serem demonstradas so decorrentes dos axiomas e das propriedades da
probabilidade, veja Definio 1.4 e Proposio 1.5.
F1 . limx FX (x) = limx P(X x) = P(X ) = P() = 1.

limx FX (x) = limx P(X x) = P(X ) = P() = 0.
F2 . Se a < b, ento o evento {X a} {X b} e, portanto, P({X a}) P({X b}),

ou seja, FX (a) FX (b).
F3 . FX (b+ ) , limh0 FX (b + h) = limh0 P (X b + h) =

limh0 P (X < b b X b + h) = limh0 {P(X < b) + P(b X b + h)} =
P(X < b) + limh0 P(b X b + h) = P(X < b) + P(X = b) = P(X b) = FX (b).

Exemplo 1.17 Verifique as quatro propriedades da funo de distribuio, listadas na
Proposio 1.16, para a funo FX encontrada no Exemplo 1.8, onde X o nmero de caras
em 3 lanamentos de uma moeda.
Conhecendo a funo de distribuio de uma varivel aleatria qualquer possvel

calcular a probabilidade dessa varivel aleatria pertencer a qualquer intervalo da reta. Veja
no Exemplo 1.18 alguns exemplos em que o clculo de probabilidades so convertidos para a
funo de distribuio.
Exemplo 1.18 Clculo de probabilidades a partir da funo de distribuio
Seja X uma v.a. e FX a sua funo de distribuio. Sejam a e b nmeros reais tais que a < b.
Reescreva as probabilidades a seguir em termos de FX .
(a) P(X a) (b) P(X > a) (c) P(a < X b) (d) P(X = a)
(e) P(X < a) (f) P(X a) (g) P(a < X < b) (h) P(a X b)
Soluo:
A ideia transformar o evento para o qual queremos calcular a probabilidade em um evento
do tipo {X c}, pois nesse caso sabemos que P(X c) = FX (c). Para isso vamos usar as
propriedades da probabilidade (Proposio 1.5).
(a) P(X a) = FX (a).
(b) P(X > a) = 1 P(X a) = 1 FX (a).
(c) P(a < X b) = P({X b} {X > a}) = P(X b) P({X a}) = FX (b) FX (a).
(d) P(X = a) = P({X a} {X a}) = P(X a) P(X < a) = FX (a) limh0+ P(X
a h) = FX (a) FX (a ), que o tamanho do salto da funo FX no ponto a.
(e) P(X < a) = P(X a) P(X = a) = FX (a) P(X = a), lembrando que P(X = a) o
tamanho do salto da funo FX no ponto a.
(f) P(X a) = 1 P(X < a) = 1 (FX (a) P(X = a)) = 1 FX (a) + P(X = a).
(g) P(a < X < b) = P(X < b) P(X a) = FX (b) P(X = b) FX (a).
(h) P(a X b) = P(X b) P(X < a) = FX (b) (FX (a) P(X = a)) = FX (b) FX (a) +
P(X = a).

O Exemplo 1.18 acima nos mostra que conhecendo a funo de distribuio de uma
varivel aleatria podemos calcular qualquer probabilidade envolvendo essa varivel. Ou
seja, o comportamento de uma varivel aleatria fica perfeitamente determinado atravs da
sua funo de distribuio.
Exemplo 1.19
Seja X a v.a. que representa o tempo de vida (em dias) de um dispositivo eltrico. Suponha
que
, x < 0;
FX (x) =
0
1 ex/20 , x 0.
(a) Esboce o grfico da funo FX .
(b) Verifique as propriedades da funo de distribuio para FX (Proposio 1.16).
(c) Calcule a probabilidade do dispositivo durar mais de 30 dias.
(d) Calcule a probabilidade do dispositivo durar entre 10 e 30 dias.
(e) Suponha que o dispositivo est em funcionamento h 10 dias. Qual a probabilidade do

seu tempo de vida ultrapassar os 30 dias?
Soluo:
(c) P(dispositivo durar mais de 30 dias) = P(X > 30) = 1 P(X 30) = 1 FX (30) =
1 (1 e30/20 ) = e3/2 = 0, 2231.
(d) P(dispositivo durar entre 10 e 30 dias) = P(10 X 30) = P(X 30) P(X < 10) =
P(X 30) (P(X 10) P(X = 10)) = FX (30) (FX (10) 0) = FX (30) FX (10) =
1 e30/20 1 + e10/20 = e1/2 e3/2 = 0, 6065 0, 2231 = 0, 3834.
(e) P(tempo de vida ultrapassar os 30 dias | dispositivo est em funcionamento h 10 dias) =

P(X > 30 | X > 10) = P(X > 30 X > 10)/ P(X > 10) = P(X > 30)/ P(X > 10) = (1
P(X 30))/(1P(X 10)) = (1FX (30))/(1FX (10)) = e30/20 /e10/20 = e1 = 0, 3679.

Exemplo 1.20
Seja X uma v.a. cuja funo de distribuio definida por:

0 , x < 1;
, 1 x < 1;

1/5
FX (x) = 2/5 , 1 x < 2;
, 2 x < 4;

4/5
, x 4.

1
(a) Esboce o grfico da funo FX .
(b) Verifique as quatro propriedades da funo de distribuio para FX .
(c) Calcule: P(X > 0), P(X = 0), P(X = 2), P(X < 2), P(0 < X < 4) e P(X > 0 | X 2).
Soluo:
(c) P(X > 0) = 1 P(X 0) = 1 FX (0) = 1 1/5 = 4/5.
P(X = 0) = FX (0) FX (0 ) = 0, pois no h salto no grfico de FX em x = 0.
P(X = 2) = FX (2) FX (2 ) = 4/5 2/5 = 2/5, que o tamanho do salto no grfico de

FX em x = 2.
P(X < 2) = P(X 2) P(X = 2) = FX (2) P(X = 2) = 4/5 2/5 = 2/5.
P(0 < X < 4) = P(X < 4) P(X 0) = P(X 4) P(X = 4) P(X 0) =

FX (4) (FX (4) FX (4 )) FX (0) = 1 (1 4/5) 1/5 = 4/5 1/5 = 3/5.
P(X > 0 | X 2) = P(X > 0 X 2)/ P(X 2) = P(0 < X 2)/ P(X 2) =
(P(X 2) P(X 0)) / P(X 2) = (FX (2) FX (0)) /FX (2) = (4/5 1/5) /(4/5) =
(3/5)/(4/5) = 3/4.

1.4 Classificao de Variveis Aleatrias
Cada varivel aleatria pode ser classificada como: discreta, contnua, singular ou mista.
Neste curso, por se tratar de um curso introdutrio da Teoria das Probabilidades, estudaremos
apenas as variveis discretas e contnuas.
1.4. CLASSIFICAO DE VARIVEIS ALEATRIAS 13
Definio 1.21 Varivel Aleatria Discreta

Uma varivel aleatria X classificada como discreta se a sua imagem um conjunto
finito ou enumervel.
Nos Exemplos 1.8 e 1.10 as variveis X e IA so discretas. Em ambos os casos a

imagem delas finita. Tambm no Exemplo 1.9 (problema do dardo) a varivel Y , definida
pela pontuao ganha, uma varivel aleatria discreta com imagem finita, mas a varivel X ,
definida pela distncia entre o dardo e o centro, no varivel aleatria discreta.
Podemos citar um exemplo de varivel aleatria discreta com imagem infinita e

enumervel. Considere o experimento de lanar um dado at sair a face 6. Seja X a varivel
definida pelo nmero de lanamentos desse dado. Veja que Im(X ) = {1, 2, 3, . . .}, logo Im(X )
um conjunto infinito porm enumervel e por isso a varivel aleatria X discreta.
O grfico da funo de distribuio das variveis aleatrias discretas sempre ser do

tipo escada. Cada degrau dessa escada est localizado no elementos da imagem da varivel
aleatria. Alem disso, o tamanho do salto no degrau localizado em X = x exatamente
P(X = x). Reveja o Exemplo 1.14 e verifique essa caracterstica no grfico de FX .
Exemplo 1.22 Nota mdia de dois alunos
Um curso tem cinco alunos com coeficiente de rendimento (CR) superior a 8,5. Os CRs desses
alunos so: 8,8; 9,2; 8,9; 9,5; 9,0. Dentre esses cinco alunos, dois sero sorteados para receber
uma bolsa de estudos.
(a) Designando por A, B, C , D, E os alunos, defina um espao amostral para o experimento

definido pelo sorteio dos dois alunos que recebero a bolsa de estudos.
Seja X = CR mdio dos alunos sorteados.
(b) Defina Im(X ).

(c) Classifique X como varivel aleatria discreta ou no. Justifique sua resposta.
(d) Liste o evento {X 9, 0}, isto , apresente os elementos de que pertencem a esse
evento.
(e) Apresente a funo de distribuio de X .
(f) Calcule P(X 9).
Soluo:

(a) Note que no importa a ordem que os alunos so sorteados; logo, n() = 5
2 = 10.
Mais especificamente,

(A, B) , (A, C ) , (A, D) , (A, E) , (B, C ) ,
(B, D) , (B, E) , (C , D) , (C , E) , (D, E)
=
(b) Usando uma tabela de duas entradas, podemos representar os valores de X da seguinte
forma:
A(8, 8) B(9, 2) C (8, 9) D(9, 5) E(9, 0)
A(8, 8) = 9, 0
8,8+9,2
2 8, 85 9, 15 8, 90
B(9, 2) 9, 05 9, 35 9, 10
C (8, 9) 9, 20 8, 95
D(9, 5) 9, 25
E(9, 0)
Logo, Im(X ) = {8, 85 , 8, 90 , 8, 95 , 9, 00 , 9, 05 , 9, 10 , 9, 15 , 9, 20 , 9, 25 , 9, 35}.
(c) Como Im(X ) um conjunto finito, em particular tem 10 elementos, podemos dizer que X
varivel aleatria discreta.
(d) Como todos os pontos do espao amostral so equiprovveis (o sorteio aleatrio),

podemos afirmar que P() = 1/10 para qualquer Im(X ). Usando as propriedades
da funo de distribuio de variveis aleatrias discretas (j sabemos que uma funo
escada) podemos concluir que:
(e) {X 9} = {(A, B) , (A, D) , (B, C ) , (B, D) , (B, E) , (C , D) , (D, E)} .

0 , se x < 8, 85; 1

1/10 , se 8, 85 x < 8, 90; 0.9

2/10 , se 8, 90 x < 8, 95; 0.8

3/10 , se 8, 95 x < 9, 00; 0.7
, 9, 00 x < 9, 05;

0.6
4/10 se
FX (x) = 5/10 , se 9, 05 x < 9, 10; 0.5
, 9, 10 x < 9, 15;

0.4

6/10 se 0.3
, 9, 15 x < 9, 20;

7/10 se 0.2

8/10 , se 9, 20 x < 9, 25; 0.1

9/10 , se 9, 25 x < 9, 35; 0
1 , se x 9, 35.
8.85 8.9 8.95 9 9.05 9.1 9.15 9.2 9.25 9.35
(f) Podemos calcular P (X 9) pela funo de distribuio ou pela listagem do evento

{X 9}. Vamos fazer dos dois jeitos. Primeiro pela funo de distribuio.
P (X 9) = 1 P (X < 9) = 1 (P (X 9) P(X = 9)) =

4 4 3 7
= 1 FX (9) + P(X = 9) = 1 +( )= .
10 10 10 10
Agora pela listagem do evento {X 9}.
1 7
P (X 9) = P((A, B) , (A, D) , (B, C ) , (B, D) , (B, E) , (C , D) , (D, E)) = 7 = .
10 10

Ento se uma varivel aleatria tem grfico do tipo escada, j sabemos de que se trata
de uma varivel aleatria discreta.
Veremos a definio mais usual de varivel aleatria contnua no Captulo 4, mas a

princpio temos como verificar se uma varivel aleatria contnua a partir da sua funo de
distribuio.
Definio 1.23 Varivel Aleatria Contnua

Uma varivel aleatria X classificada como contnua quando a sua funo de
distribuio uma funo absolutamente contnua.
Precisamos ter ateno com o termo funo absolutamente contnua, que no a mesma
coisa que funo contnua. Mas para facilitar o entendimento de variveis aleatrias contnuas
no contexto de um primeiro curso de Probabilidade, podemos usar o resultado apresentado
na Proposio 1.24.
Proposio 1.24
Seja F uma funo que satisfaz:
(i) F contnua em R;
(ii) F diferencivel em R, exceto em um conjunto finito de pontos.
Ento F absolutamente contnua.
Demonstrao:
A demostrao desta proposio ser omitida.

Ento, combinando os resultados da Definio 1.23 e da Proposio 1.24, toda vez que
uma varivel aleatria X apresentar funo de distribuio F satisfazendo as condies (i) e
(ii) da Proposio 1.24, podemos afirmar que X varivel aleatria contnua. Veja que a volta
no verdadeira, ou seja, podem existir variveis aleatrias contnuas tais que sua funo de
distribuio F no satisfaa (i) ou (ii). Mas esses casos no sero tratados nesse curso.
Nos Exemplos 1.15 e 1.19 as variveis aleatrias definidas so contnuas. Veja que
em ambos os exemplos a funo de distribuio FX contnua. Alm disso FX s no
diferencivel em um conjunto finito de pontos: no Exemplo 1.15 FX s no diferencivel em
dois pontos, x = 0 e x = 1, e no Exemplo 1.19 a funo Fx s no diferencivel no ponto
x = 0.
J vimos que o comportamento de uma varivel aleatria fica perfeitamente determinado

atravs da sua funo de distribuio. Alm de calcular as probabilidades envolvendo a
varivel aleatria em questo podemos tambm, atravs do conhecimento da funo de
distribuio, encontrar a imagem da varivel aleatria. No caso de X ser uma varivel
aleatria discreta a imagem de X formado pelos pontos do domnio de FX onde ocorrem os
saltos no seu grfico. J se X varivel aleatria contnua, a sua imagem formada pelos
pontos do domnio de FX onde esta funo crescente, ou seja, no constante.
Exemplo 1.25
Dada a funo

0 ,x<1
1/2 , 1x<2

F (x) = k ,2x<3
3/4 , 3x<4

,x4

1
em que k uma constante, determine os possveis valores de k para que F seja a funo
de distribuio acumulada de uma varivel aleatria discreta X . Em seguida, determine a
imagem de X .
Soluo:
Como a funo de distribuio de qualquer v.a. X tem que ser uma funo no decrescente,
conclumos que k tem que ser maior ou igual a 12 . Pela mesma razo, k tem que ser menor

ou igual a 34 . Dessa forma, os possveis valores de k pertencem ao intervalo 12 , 43 . Os
valores possveis da v.a. X correspondem aos pontos de descontinuidade da funo F (x).
Logo, Im(X ) = {1, 2, 3, 4}.

Exemplo 1.26
Dada a funo

0 , x<0
x /2 , 0x<1
2
F (x) =

kx , 1x<2
, x2

1
em que k uma constante, determine os possveis valores de k para que F seja a funo
de distribuio acumulada de uma varivel aleatria contnua X . Em seguida, determine a
imagem de X .
Soluo:
Para que F seja funo de distribuio de uma varivel aleatria contnua necessrio que
no haja saltos no grfico de F . Para que isso ocorra o valor de k tem que ser tal que
limx1 F (x) = limx1+ F (x) e limx2 F (x) = limx2+ F (x). Isto , 1/2 = k e 2k = 1, ou seja,
k = 1/2. Para terminar, a imagem de F formada pelos valores do domnio onde a funo
crescente, ou seja, Im(X ) = [0, 2].

Para terminar esse captulo, vejamos um exemplo de uma varivel aleatria que no
nem discreta nem contnua.
Exemplo 1.27
Seja X varivel aleatria com funo de distribuio definida por:

0 ,x < 0
FX (x) = x , 0 x < 1/2
1 , x x < 1/2

(a) Faa o grfico de FX .

(b) Verifique que FX funo de distribuio.
(c) Calcule P(X > 1/3), P(X = 1/4) e P(X = 1/2).
(d) Verifique que X no varivel aleatria discreta.
(e) Verifique que X no varivel aleatria contnua.
Soluo:
(a) Segue o grfico de FX .
1/2
0 0.5
(b) Para verificar o que se pede precisamos verificar as propriedades da Proposio 1.16.
Primeiro veja pelo grfico que limx FX (x) = 1 e limx FX (x) = 0.
Veja que FX funo crescente no intervalo (0, 1/2) e constante no restante da
reta. Ento FX funo no decrescente.
Veja que o nico ponto de descontinuidade de FX o (1/2, 1/2). Precisamos ento
mostras que nesse ponto FX contnua direita.
Seja {xi } uma sequencia tal que xi 1/2 e xi 1/2, isto , {xi } uma sequncia
que converge para 1/2 pela direita, ento FX (xi ) = 1 i. Logo a sequncia {FX (xi )}
constante e igual a 1 e por isso FX (xi ) 1 = FX (0.5). Assim mostramos que FX
contnua a direita em 0.5.
(c) P(X > 1/3) = 1 FX (1/3) = 1 1/3 = 2/3.

P(X = 1/4) = FX (1/4) FX (1/4 ) = 0. Veja que no existe salto no grfico de FX em
x = 1/4.
P(X = 1/2) = FX (1/2) FX (1/2 ) = 1/2. Veja que o tamanho do salto no grfico de FX
em x = 1/2 1/2.
(d) Veja que Im(X ) = [0, 1/2]. Como esse conjunto no enumervel, X no varivel
aleatria discreta.
(e) Veja que o grfico de FX no contnuo. Logo X no varivel aleatria contnua.

Captulo 2
Variveis Aleatrias Discretas
Nesse captulo, vamos estudar em mais detalhes as variveis aleatrias discretas.
2.1 Funo de Probabilidade
J vimos no Captulo 1 que uma varivel aleatria chamada de discreta se a sua imagem
um conjunto finito ou enumervel. Nesse caso o grfico da sua funo de distribuio do
tipo escada e o tamanho do degrau localizado em X = x exatamente P(X = x).
Alm disso, o comportamento de uma varivel aleatria qualquer, discreta ou no,

perfeitamente determinado pela sua funo de distribuio. No caso das variveis aleatrias
discretas temos outra opo para determinar o comportamento da varivel aleatria, a funo
de probabilidade.
Definio 2.1 Funo de Probabilidade

Seja X uma varivel aleatria discreta. A funo de probabilidade de X a funo pX
definida por:
pX (x) = P (X = x)
Para encontrar a funo de probabilidade de uma varivel aleatria temos que primeiro
encontrar a sua imagem e em seguida calcular a probabilidade de ocorrer cada elemento
da imagem. Todos os valores reais que no pertencem a imagem tem probabilidade nula de
ocorrer, logo para esses valores a funo de probabilidade tambm nula.
Exemplo 2.2 Mximo entre dois dados

Considere o lanamento de dois dados equilibrados.
(a) Apresente um espao amostral para este experimento, isto , apresente .
Suponha que nosso interesse esteja no mximo das faces dos dois dados. Neste caso, defina
a varivel aleatria X = mximo das 2 faces.
(b) Encontre X () para todo .
(c) Defina Im(X ).
(d) Verifique que X v.a. discreta.

20 CAPTULO 2. VARIVEIS ALEATRIAS DISCRETAS
(e) Encontre a funo de probabilidade de X e esboce seu grfico.

(f) Encontre a funo de distribuio de X e esboce o seu grfico.
Soluo:
(a) = {(i, j) | i, j = 1, 2, 3, 4, 5, 6}
= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), (2, 2), . . . , (2, 6), . . . , (6, 6)}.
(b) A Tabela 2.1 abaixo apresenta X () para todo .
Tabela 2.1 Varivel aleatria X = mximo das faces de 2 dados
Pontos do espao amostral () Valor de X ()

(1,1) 1
(1,2)(2,2),(2,1) 2
(1,3),(2,3),(3,3),(3,2),(3,1) 3
(1,4),(2,4),(3,4),(4,4),(4,3),(4,2),(4,1) 4
(1,5),(2,5),(3,5),(4,5),(5,5),(5,4),(5,3),(5,2),(5,1) 5
(1,6),(2,6),(3,6),(4,6),(5,6),(6,6),(6,5),(6,4),(6,3),(6,2),(6,1) 6
(c) De acordo com a Tabela 2.1, Im(X ) = {1, 2, 3, 4, 5, 6}.

(d) Veja que o conjunto Im(X ) finito, logo X discreta.
(e) Queremos calcular pX (x) = P(X = x) para todo x Im(X ).
Vamos comear com x = 1: pX (1) = P(X = 1) = P({(1, 1)}) = 1/36, considerando que
cada um dos 36 elementos de tem mesma probabilidade de ocorrer.
Vamos calcular agora pX nos demais elementos da Im(X ):
pX (2) = P(X = 2) = P({(1, 2), (2, 1), (2, 2)}) = 3/36.
pX (3) = P(X = 3) = P({(1, 3), (3, 1), (2, 3), (3, 2), (3, 3)}) = 5/36.
pX (4) = P(X = 4) = P({(1, 4), (4, 1), (2, 4), (4, 2), (3, 4), (4, 3), (4, 4)}) = 7/36.
pX (5) = P(X = 5) = P({(1, 5), (5, 1), (2, 5), (5, 2), (3, 5), (5, 3), (4, 5), (5, 4), (5, 5)})
= 9/36.
pX (6) = P(X = 6) = P({(1, 6), (6, 1), (2, 6), (6, 2), (3, 6), (6, 3), (4, 6), (6, 4), (5, 6), (6, 5),
(6, 6)}) = 11/36.
Ento,

1/36 , se x = 1
11/36

3/36 , se x = 2
se x = 3
9/36

5/36 ,
pX (x) = se x = 4
7/36
7/36 ,
se x = 5

5/36

9/36 ,
se x = 6

3/36

11/36 ,
1/36
0 , caso contrrio. 0
0 1 2 3 4 5 6 7
Tambm podemos definir a funo de probabilidade pX em forma de uma tabela:
x 1 2 3 4 5 6
1 3 5 7 9 11
pX (x)
36 36 36 36 36 36
2.1. FUNO DE PROBABILIDADE 21
(f) Como j conhecemos P(X = x) para todo x Im(X ) basta construir uma funo escada,
com os degraus ocorrendo em cada ponto de Im(X ) e o tamanho do degrau equivalente
P(X = x). Uma vez o grfico pronto podemos definir a expresso para FX .

0 , se x < 1; 1

1/36 , se 1 x < 2;
, 2 x < 3;

4/36 se 25/36
FX (x) = 9/36 , se 3 x < 4;
, 4 x < 5;

16/36

16/36 se
, 5 x < 6;

25/36 se 9/36

1 , se x 6. 4/36
1/36
0 1 2 3 4 5 6 7

Proposio 2.3 Propriedades da Funo de Probabilidade

Seja pX a funo de probabilidade de uma varivel aleatria discreta qualquer. Ento valem
as seguintes propriedades:
(i) pX (x) 0 para todo x R;
P
(ii) xIm(X ) pX (x) = 1.
Demonstrao:
As propriedades a serem demonstradas so decorrentes dos axiomas da probabilidade, veja
Definio 1.4.
(i) Como P(A) 0 para todo A F , tambm verdade que P(X = x) 0 para todo x R.
Logo, pX (x) = P(X = x) 0 para todo x R.
P P
(ii) Veja que xIm(X ) pX (x) = xIm(X ) P(X = x) = P xIm(X ) {X = x} = P() = 1.
Exemplo 2.4 Verifique as duas propriedades listadas na Proposio 2.3 para a funo de
probabilidade da varivel aleatria do Exemplo 2.2.
Exemplo 2.5 Demanda por produto

A demanda por um certo produto pode ser vista como uma varivel aleatria X cuja funo
de probabilidade pX estimada por
Nmero de unidades demandadas x 1 2 3 4

pX (x) = P(X = x) 0, 25 0, 45 0, 15 0, 15
(a) Verifique que pX realmente define uma funo de probabilidade.
(b) Obtenha a funo de distribuio acumulada de X .
(c) Usando a funo de distribuio calculada no item anterior, calcule P(X 3, 5).
Soluo:
(a) 0, 25 + 0, 45 + 0, 15 + 0, 15 = 1 e todos os valores so no negativos. Logo, fX uma

funo de probabilidade.
(b)

0 se x<1
1x<2

0,25 se
FX (x) = 0,70 se 2x<3
3x<4

0,85 se
x4

1,00 se
(c) Temos que

P(X 3, 5) = FX (3, 5) = 0, 85

Exemplo 2.6
Uma varivel aleatria discreta X tem a seguinte funo de probabilidade
k
(x+2)! , se x = 0 ou x = 1
pX (x) =

0 , se x 6= 0 e x 6= 1
onde k uma constante real.
(a) Determine o valor de k para que pX seja realmente funo de probabilidade.
(b) Encontre a funo de distribuio FX e esboce seu grfico.
Soluo:
(a) Os valores possveis da v.a. so 0 e 1, isto , Im(X ) = {0, 1}. Ento, temos que ter
k k k k 3k + k 6 3
pX (0) + pX (1) = 1 + =1 + =1 =1 k = = .
2! 3! 2 6 6 4 2
Logo, pX (0) = 3/2
2 = 3
4 e pX (1) = 3/2
6 = 14 .
(b) A funo de distribuio de X

0 , se x < 0; 3/4
FX (x) = 3/4 , se 0 x < 1;

, se x 1.

1
1 0.5 0 0.5 1 1.5 2

Exemplo 2.7 Soma das faces de dois dados

Considere novamente o experimento de lanar dois dados equilibrados. Agora o nosso
interesse est na soma das faces dos dois dados. Neste caso, defina a varivel aleatria
X = soma das faces.
(a) Defina Im(X ).
(b) Verifique que X v.a. discreta.

(c) Encontre a funo de probabilidade de X , verifique as propriedades da funo de

probabilidade e esboce seu grfico.
(d) Encontre a funo de distribuio de X e esboce o seu grfico.
(e) Calcule a probabilidade da soma ser menor que 6.

Soluo:
(a) Im(X ) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}.
(b) Como Im(X ) um conjunto finito, X varivel aleatria discreta.
(c) Para encontrar pX precisamos encontrar P(X = x) para todo x Im(X ). O espao
amostral desse experimento o mesmo do Exemplo 2.2, ou seja, ele tem 36 elementos e
todos tm mesma probabilidade de ocorre.
pX (2) = P(X = 2) = P({(1, 1)}) = 1/36.
pX (3) = P(X = 3) = P({(1, 2), (2, 1)}) = 2/36.
pX (4) = P(X = 4) = P({(1, 3), (3, 1), (2, 2)}) = 3/36.
pX (5) = P(X = 5) = P({(1, 4), (4, 1), (2, 3), (3, 2)}) = 4/36.
pX (6) = P(X = 6) = P({(1, 5), (5, 1), (2, 4), (4, 2), (3, 3)}) = 5/36.
pX (7) = P(X = 7) = P({(1, 6), (6, 1), (2, 5), (5, 2), (3, 4), (4, 3)}) = 6/36.
pX (8) = P(X = 8) = P({(2, 6), (6, 2), (3, 5), (5, 3), (4, 4)}) = 5/36.
pX (9) = P(X = 9) = P({(3, 6), (6, 3), (4, 5), (5, 4)}) = 4/36.
pX (10) = P(X = 10) = P({(4, 6), (6, 4), (5, 5)}) = 3/36.
pX (11) = P(X = 11) = P({(5, 6), (6, 5)}) = 2/36.
pX (12) = P(X = 12) = P({(6, 6)}) = 1/36.
Para qualquer outro valor x R temos pX (x) = 0. Em forma de tabela podemos
representar pX por:
x 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
pX (x)
36 36 36 36 36 36 36 36 36 36 36
P
Veja que pX (x) 0 para todo x e que xIm(X ) pX (x) = 36
1 2
+ 36 + 363
+ 4
36 + 5
36 + 6
36 +
5 4 3 2 1
36 + 36 + 36 + 36 + 36 = 1. Logo as propriedades foram verificadas.
Para terminar esse item s falta o grfico de pX .
6/36
5/36
4/36
3/36
2/36
1/36
0
2 3 4 5 6 7 8 9 10 11 12
(d) Como j conhecemos P(X = x) para todo x Im(X ) basta construir uma funo escada,
com os degraus ocorrendo em cada ponto de Im(X ) e o tamanho do degrau equivalente
P(X = x). Uma vez o grfico pronto podemos definir a expresso para FX .

0 , se x < 2; 35/36

, 2 x < 3;
33/36

1/36 se

, 3 x < 4;
30/36

3/36 se

6/36 , se 4 x < 5; 26/36

10/36 , se 5 x < 6; 21/36
, 6 x < 7;

FX (x) =
15/36 se

21/36 , se 7 x < 8; 15/36
, 8 x < 9;

26/36 se
, 9 x < 10;

10/36

30/36 se

33/36 , se 10 x < 11; 6/36

35/36 , se 11 x < 12; 3/36
1/36
1 , se x 12.
2 4 6 8 10 12
(e) Podemos fazer o clculo usando a funo de probabilidade ou a funo de distribuio.

Veja primeiro usando a funo de probabilidade.
P(X > 6) = P(X = 7 ou X = 8 ou X = 9 ou X = 10 ou X = 11 ou X = 12) = P(X =
7) + P(X = 8) + P(X = 9) + P(X = 10) + P(X = 11) + P(X = 12) = pX (7) + pX (8) + pX (9) +
pX (10) + pX (11) + pX (12) = 36
6 5
+ 36 4
+ 36 3
+ 36 2
+ 36 1
+ 36 21
= 36 .
Agora usando a funo de distribuio.
P(X > 6) = 1 P(X 6) = 1 FX (6) = 1 15/36 = 21/36.

Exemplo 2.8
Um homem possui quatro chaves em seu bolso. Como est escuro, ele no consegue ver qual
a chave correta para abrir a porta de sua casa, que se encontra trancada. Ele testa uma
chave de cada vez at encontrar a correta.
(a) Defina um espao amostral para esse experimento.
Defina a varivel aleatria X = nmero de chaves experimentadas at conseguir abrir a porta
(inclusive a chave correta).
(b) Encontre Im(X ).

(c) Encontre a funo de probabilidade de X e esboce o seu grfico.
(d) Encontre a funo de distribuio de X e esboce o seu grfico.
(e) Qual a probabilidade do homem experimentar no mximo duas chaves para abrir a
porta?
Soluo:
(a) Vamos representar pela letra C o sorteio da chave correta, aquela que abre a porta, e
por E o sorteio de uma chave errada, uma entre as 3 chaves que no abrem a porta.
Ento podemos representar o espao amostral por:
= {C , EC , EEC , EEEC }
onde {C } representa situao em que o homem acertou a chave de primeira, {EC } ele
errou na primeira tentativa e acertou na segunda, {EEC } ele errou as duas primeiras
tentativas e acertou na terceira e {EEEC } representa a situao em que ele testou
todas as chaves at achar aquela que abre a porta.
(b) Veja que o homem pode experimentar de 1 a 4 chaves antes de abrir a porta. Logo
Im(X ) = {1, 2, 3, 4}.
(c) P(X = 1) = P(C ) = 1/4.

P(X = 2) = P(EC ) = 3/4 1/3 = 1/4.
P(X = 3) = P(EEC ) = 3/4 2/3 1/2 = 1/4.
P(X = 4) = P(EEEC ) = 3/4 2/3 1/2 1 = 1/4.
Logo, a funo de probabilidade de X e o seu grfico so definidos por:

1/4 , se x = 1, 2, 3, 4 1/4
pX (x) =
0 , caso contrrio.
ou
x 1 2 3 4
P(X = x) 1/4 1/4 1/4 1/4 0
1 2 3 4
(d)
1

0 , se x < 1; 3/4
, 1 x < 2;

1/4 se
1/2
FX (x) = 1/2 , se 2 x < 3;
, 3 x < 4;

3/4 se 1/4
, x 4.

1 se
1 2 3 4
(e) P(X 2) = P(X = 1) + P(X = 2) = 1/4 + 1/4 = 1/2.

Exemplo 2.9
Suponha agora que o homem com as 4 chaves no tenha controle das chaves que j foram
experimentadas e por isso a cada nova tentativa ele escolhe, de forma aleatria, uma entre
as quatro chaves.
(a) Defina um espao amostral para esse experimento.
Defina a varivel aleatria X = nmero de chaves experimentadas at conseguir abrir a porta

(inclusive a chave correta).
(b) Encontre Im(X ).
(c) Encontre a funo de probabilidade de X e esboce o seu grfico.
(d) Qual a probabilidade do homem experimentar no mximo duas chaves para abrir a
porta?
Soluo:
(a) Representando por C a seleo da chave correta e E a seleo de uma chave errada,
= {C , EC , EEC , EEEC , EEEEC , EEEEEC , . . .}

(b) Veja que, diferente do Exemplo 2.8, o homem pode experimentar mais de 4 chaves antes
de encontrar a correta. Para esse exemplo temos Im(X ) = {1, 2, 3, 4, 5, 6, . . .} = N. Veja
que esse um exemplo de varivel aleatria discreta com imagem infinita. Podemos
dizer que X discreta uma vez que Im(X ), apesar de infinito, um conjunto enumervel.
(c) Como a Im(X ) um conjunto infinito no vamos encontrar o valor de pX (x) para cada
x Im(X ). Vamos tentar encontrar uma expresso geral que represente pX . Para isso
vamos comear calculando pX em alguns pontos.
Veja que no importa quantas chaves j foram testadas em cada nova tentativa a
probabilidade do homem pegar a chave certa 1/4 e de pegar uma chave errada
de 3/4.
P(X = 1) = P(C ) = 1/4.
P(X = 2) = P(EC ) = 3/4 1/4 = 3/42 .
P(X = 3) = P(EEC ) = 3/4 3/4 1/4 = 32 /43 .
P(X = 4) = P(EEEC ) = 3/4 3/4 3/4 1/4 = 33 /44 .
P(X = 5) = P(EEEEC ) = 3/4 3/4 3/4 3/4 1/4 = 34 /45 .
De forma geral,
P(X = x) = 3/4 3/4 3/4 . . . 3/4 1/4 = 3x1 /4x .
Logo, a funo de probabilidade de X e o seu grfico so definidos por:
1/4
3x1

4x , se x = 1, 2, 3, 4, 5, . . .
pX (x) = 3/42
0 , caso contrrio.
32 /43
33 /44
34 /45
..
.
0
...
1 2 3 4 5 6 7
No caso de Im(X ) ser um conjunto infinito no temos como representar pX atravs de
uma tabela.
(d) P(X 2) = P(X = 1) + P(X = 2) = 1/4 + 3/42 = 7/16.

Exemplo 2.10
Verifique as propriedades de pX para a varivel aleatria X definida no Exemplo 2.9.
Soluo:
No Exemplo 2.9 encontramos
3x1

4x , se x = 1, 2, 3, 4, 5, . . .
pX (x) =
0 , caso contrrio.
P
Queremos mostrar que pX (x) 0 para todo x R e que xIm(X ) pX (x) = 1.
Primeiro veja que como 3x1 /4x 0 sempre que x N, logo a primeira propriedade foi
verificada: pX (x) 0 para todo x R.
P
Para mostrar que xIm(X ) pX (x) = 1 vamos precisar de alguns resultados de sries.
x
!
3x1 1 3 x 1X 3 x
X X X X
1 3
pX (x) = x
= = = 1 =
4 3 4 3 4 3 4
xIm(X ) x=1 x=1 x=1 x=0

1 1 1
= 1 = (4 1) = 1.
3 1 3/4 3

r i = 1/(1 r) sempre que |r| < 1.
P
Veja na Equao A.4 do Apndice A que
i=0

Exemplo 2.11
Suponha que um dado seja lanado quatro vezes. Seja X = o nmero de lanamentos cujo
resultado foi 6.
(a) Defina um espao amostral para o experimento e diga quantos elementos ele tem.
(b) Apresente os valores de X em alguns elementos de e depois encontre Im(X ).
(c) Encontre a funo de probabilidade de X .
(d) Verifique as propriedades de pX .
Soluo:
(a) Nesse caso ser conveniente considerar que a ordem com que os dados foram lanados
importa. Podemos definir o espao amostral por:

(1, 1, 1, 1), (1, 1, 1, 2), . . . (1, 1, 1, 6), (1, 1, 2, 1), (1, 1, 2, 2), . . . (1, 1, 2, 6),

..

.
= (5, 6, 3, 1), (5, 6, 3, 2), . . . (5, 6, 3, 6), (5, 6, 4, 1), (5, 6, 4, 2), . . . (5, 6, 4, 6),

..

.

(6, 6, 5, 1), (6, 6, 5, 2), . . . (6, 6, 5, 6).(6, 6, 6, 1), (6, 6, 6, 2), . . . (6, 6, 6, 6).

Veja que o nmero de elementos de 6 6 6 6 = 1296.
(b) Veja que X ((1, 1, 1, 1) = 0, X (1, 2, 6, 4) = 1, X (5, 6, 1, 6) = 2, X (6, 6, 4, 6) = 3 e

X (6, 6, 6, 6) = 4.
Im(X ) = {0, 1, 2, 3, 4}.
(c) Queremos encontrar P(X = x) para todo x Im(X ). Primeiro veja que o espao amostral
equiprovvel, isto , cada elemento tem mesma probabilidade de ocorrer uma
vez que estamos supondo o dado justo. Isto , P(1, 1, 1, 1) = P(6, 6, 6, 6) = P(1, 2, 3, 4) =
1/1296. Ou melhor, P() = 1/1296 para qualquer .
Vamos pensar em cada valor de x separadamente.
Primeiro veja que P(X = 0) = P(nenhuma face 6 nos 4 lanamentos). Sabemos que em
cada lanamento do dado a probabilidade de sair o 6 1/6 e a probabilidade de sair
outra face qualquer 5/6. Ento, P(X = 0) = 56 56 56 56 = 1296
625
. Outra maneira de
pensar seria definir o evento {nenhuma face 6 nos 4 lanamentos} e verificar que neste
evento existem 5 5 5 5 = 652 elementos.
Se quisermos calcular P(X = 4) = P(todas as faces 6 nos 4 lanamentos) = 61 16 61 16 =
1296 . Pensando em eventos no espao amostral, s existem um elemento no evento {todas
1
as faces 6 nos 4 lanamentos}, que (6, 6, 6, 6).

J P(X = 1) = P(1 face 6 e 3 faces diferentes de 6 nos 4 lanamentos). A probabilidade

do primeiro lanamento ser 6 e os outros no 16 56 65 56 = 1296
125
. Mas tambm podemos
ter o segundo lanamento igual a 6 e os outros no, a probabilidade disso ocorrer
6 6 6 6 = 1296 . Na verdade, no importa em qual dos quatro lanamentos ocorreu
5 1 5 5 125
a face 6, o importante que ela tenha ocorrido uma nica vez. Ento P(X = 1) =
4 16 65 56 56 = 1296
500
, pois temos 4 possibilidades para o lanamento em que ocorreu
a face 6.
Agora vejamos P(X = 2) = P(2 faces 6 e 2 faces diferentes de 6 nos 4 lanamentos).
Nesse caso estamos pensando no evento em que dois lanamentos resultaram em 6 e os
outros dois em faces diferentes de 6. A probabilidade dos dois primeiros lanamentos ser
6 e os outros dois serem diferentes de 6 61 61 56 65 = 1296
25
. Mas podemos escolher de
4

2 = 6 maneiras diferentes quais os dois lanamentos que resultaram em 6 e quais os
dois que resultaram em uma face diferente de 6. Logo, P(X = 2) = 6 6 6 6 6 = 1296
1 1 5 5 150
.
Seguindo a mesma linha de raciocnio conclumos que P(X = 3) = P(3 faces 6 e 1 faces
diferentes de 6 nos 4 lanamentos) = 4 16 61 16 56 = 1296
20
.
Ento,
x 0 1 2 3 4
pX (x) 625/1296 500/1296 150/1296 20/1296 1/1296
(d) Veja que pX (x) 0 para todo x R e que

4
X 625 500 150 20 1
pX (x) = + + + + = 1.
1296 1296 1296 1296 1296
x=0

2.2 Funes de Variveis Aleatrias Discretas
Dada uma varivel aleatria discreta X , podemos obter outras variveis aleatrias
discretas atravs de funes de X e, da mesma forma que calculamos a funo de probabilidade
de X , podemos calcular a funo de probabilidade dessas novas variveis.
O importante ficar claro que se X varivel aleatria ento qualquer funo real de
X tambm ser varivel aleatria. Isto , se X varivel aleatria ento Y = g(X ) tambm
varivel aleatria, com g funo real. Veja que Y continua sendo uma funo do espao
amostral na reta, definida pela composio da funo g com a funo X :
X : R Y = g(X ()) : R R
7 X () 7 X () 7 g(X ()).
e
Exemplo 2.12
Considere a varivel aleatria X cuja funo de probabilidade dada na tabela abaixo:
x -2 -1 0 1 2 3
pX (x) 0,1 0,2 0,2 0,3 0,1 0,1
Defina Y = g(X ) = X 2 .
(a) Encontre Im(Y ).

2.2. FUNES DE VARIVEIS ALEATRIAS DISCRETAS 29
(b) Encontre a funo de probabilidade de Y , isto , pY .
Soluo:
(a) Como Y = X 2 podemos aproveitar os valores de Im(X ) para definir o conjunto Im(Y ).
Temos Im(X ) = {2, 1, 0, 1, 2, 3}, sempre que X assumir o valor x Im(X ) a v.a. Y ir
assumir o valor x 2 . Assim, Im(Y ) = {4, 1, 0, 9}.
(b) Para calcular as probabilidades desses valores, temos que identificar os valores de X
que originaram cada um deles.
P (Y = 0) = P (X = 0) = 0, 2
P (Y = 1) = P (X = 1) + P (X = 1) = 0, 5
P (Y = 4) = P (X = 2) + P (X = 2) = 0, 2
P (Y = 9) = P (X = 3) = 0, 1
Podemos resumir essa funo de probabilidade como
y 0 1 4 9
pY (y) 0,2 0,5 0,2 0,1

Proposio 2.13 Funo de varivel aleatria discreta

Seja X uma varivel aleatria discreta com funo de probabilidade pX . Seja Y = g(X ), onde
g uma funo real qualquer. Ento,
(i) Y varivel aleatria discreta.
(ii) A funo de probabilidade de Y calculada como

X
pY (y) = P(Y = y) = pX (x)
{x | g(x)=y}
Demonstrao:
(i) Para mostrar que Y varivel aleatria discreta basta mostrar que Im(Y ) um conjunto
finito ou enumervel. Como X v.a. discreta sabemos que Im(X ) um conjunto finito ou
enumervel. Como Im(Y ) = g(Im(X )) = {y R | x Im(X ) com y = g(x)} podemos
afirmar que a cardinalidade de Im(X ) sempre maior ou igual cardinalidade de Im(Y ),
pois cada elemento de Im(Y ) associado a um ou mais elementos em Im(X ). Ento,
como Im(X ) um conjunto finito ou enumervel, Im(Y ) s pode ser um conjunto finito
ou enumervel. Com isso conclumos que Y v.a. discreta.
P
(ii) pY (y) = P(Y = y) = P(g(X ) = y) = pX (x) .
{x | g(x)=y}
Exemplo 2.14
No Exemplo 2.11 definimos X = nmero de faces 6 em 4 lanamentos de um dado. Defina
agora Y = nmero de faces diferentes de 6 em 4 lanamentos de um dado.
(a) Escreva Y como funo de X .
(b) Defina Im(Y ) a partir de Im(X ).

(c) Encontre a funo de probabilidade de Y .
Soluo:
(a) Veja que podemos definir Y = 4X , pois em quatro lanamentos o nmero de resultados
diferentes de 6 o total de lanamentos, 4, menos o nmero de resultados iguais a 6.
(b) Vimos no Exemplo 2.11 que Im(X ) = {0, 1, 2, 3, 4}. Veja que quando X = x temos
Y = 4 x, logo, Im(Y ) = {4, 3, 2, 1, 0}.
(c) Tambm no Exemplo 2.11 encontramos a funo de probabilidade de X , definida na

tabela abaixo.
x 0 1 2 3 4
pX (x) 625/1296 500/1296 150/1296 20/1296 1/1296
Veja que P(Y = y) = P(4 X = y) = P(X = 4 y). Ento, P(Y = 0) = P(X = 4), P(Y =
1) = P(X = 3), P(Y = 2) = P(X = 2), P(Y = 3) = P(X = 1) e P(Y = 4) = P(X = 0). Logo,
y 0 1 2 3 4
pY (y) 1/1296 20/1296 150/1296 500/1296 625/1296

Exemplo 2.15
No Exemplo 2.9 definimos X = nmero de chaves testadas at abrir a porta, considerando que
a cada nova tentativa qualquer uma das quatro chaves podem ser selecionadas com mesma
probabilidade. Considerando as mesmas condies do experimento, defina agora Y = nmero
de chaves erradas at abrir a porta.
(a) Escreva Y como funo de X .
(b) Defina Im(Y ) a partir de Im(X ).
(c) Encontre a funo de probabilidade de Y .
(d) Verifique as propriedades da funo de probabilidade em pY .
Soluo:
(a) Veja que Y = X 1, pois sempre a ltima chave testada ser a chave correta e todas
as anteriores sero erradas.
(b) No Exemplo 2.9 encontramos Im(X ) = {1, 2, 3, 4, . . .}. Ento, Im(Y ) = {0, 1, 2, 3, . . .}.
(c) No Exemplo 2.9 encontramos
3x1

4x , se x = 1, 2, 3, 4, . . .
pX (x) =
0 , caso contrrio.
Veja que pY (y) = P(Y = y) = P(X 1 = y) = P(X = y + 1) = pX (y + 1). Ento podemos

definir:
( y+11 3y
3
y+1 , se y + 1 = 1, 2, 3, 4, . . . 4y+1
, se y = 0, 1, 2, 3, . . .
pY (y) = pX (y+1) = 4 =
0 , caso contrrio. 0 , caso contrrio.
2.3. ESPERANA DE VARIVEIS ALEATRIAS DISCRETAS 31
P
(d) Claramente pY (y) 0 para todo y R. Basta ento verificar que yIm(Y ) pY (y) = 1.

3y 1 3 y 1X 3 y 1
X X X
1 1
pY (y) = y+1
= = = = 4 = 1.
4 4 4 4 4 4 1 3/4 4
yIm(Y ) y=0 y=0 y=0
Novamente usamos o resultado da Equao A.4 do Apndice A, que nos mostra que

r i = 1/(1 r) sempre que |r| < 1.
P
i=0

2.3 Esperana de Variveis Aleatrias Discretas
No estudo de variveis aleatrias e suas distribuies de probabilidades, associamos

nmeros aos pontos do espao amostral, ou seja, o resultado sempre uma varivel
quantitativa (note que os resultados cara e coroa no definem uma varivel aleatria; para
tal, temos que associar nmeros, 0 e 1, por exemplo, a esses resultados). Sendo assim, faz
sentido perguntar qual o valor mdio da varivel aleatria X ?
A ideia de valor mdio diz respeito mdia dos valores da varivel aleatria se o
experimento fosse realizado infinitas vezes. Suponha que X seja varivel aleatria discreta
tal que Im(X ) = {x1 , x2 , x3 , . . .}. Suponha tambm que ao realizar o experimento n vezes a
varivel X assuma os seguintes valores na seguinte ordem: x2 , x4 , x3 , x4 , x2 , x1 , x2 , . . . Ento
o valor mdio de X nas n realizaes do experimento :
x2 + x4 + x3 + x4 + x2 + x1 + x2 . . . n1 x1 + n2 x2 + n3 x3 + n4 x4 . . .
= ,
n n
onde ni representa o nmero de vezes que a varivel X assumiu o valor xi .
Chamamos de esperana o limite do valor mdio de X quando n . Veja que quando

n a frequncia de vezes que X assume o valor xi , definida por nni , converge para P(X = xi ).
Ento podemos escrever:
n1 x1 + n2 x2 + n3 x3 + n4 x4 . . .
lim = x1 P(X = x1 ) + x2 P(X = x2 ) + x3 P(X = x3 ) + . . .
n n
Definio 2.16 Esperana de Varivel Aleatria Discreta

Seja X uma varivel aleatria discreta. A esperana ou mdia da varivel aleatria X
definida como X X
E (X ) = xpX (x) = x P(X = x),
xIm(X ) xIm(X )
desde que o somatrio convirja.
Podemos ver, ento, que a esperana de X uma mdia dos seus valores, ponderada
pelas respectivas probabilidades.
Veja que quando Im(X ) um conjunto finito, E(X ) definida por um somatrio com finitas
parcelas e, nesse caso, o somatrio sempre converge. Logo E(X ) existe e E(X ) R. J quando
Im(X ) um conjunto infinito e enumervel o somatrio que define E(X ) tem infinitas parcelas,
ou seja, trata-se de uma srie. Esta srie pode convergir para um nmero real ou no. Sempre
que essa srie convergir para um nmero real dizemos que E(X ) existe e E(X ) R. Caso
contrrio, dizemos que E(X ) no existe. Veja ento que podem existir variveis aleatrias que
no tem esperana.
Um resultado simples e imediato a esperana de uma constante, ou seja, a esperana

de uma varivel aleatria discreta que pode assumir um nico valor com probabilidade 1,
tambm chamada de varivel aleatria degenerada.
Proposio 2.17
Seja X uma varivel aleatria tal que P(X = c) = 1. Ento E(X ) = c, ou seja, E(c) = c.
Demonstrao:
Como P(X = c) = 1, temos Im(X ) = {c}. Ento, E(X ) = c P(X = c) = c.

Exemplo 2.18 Vendas e comisses
Em determinado setor de uma loja de departamentos, o nmero de produtos vendidos
em um dia pelos funcionrios uma varivel aleatria P com a seguinte distribuio de
probabilidades (esses nmeros foram obtidos dos resultados de vrios anos de estudo):
Nmero de produtos 0 1 2 3 4 5 6
Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05
Cada vendedor recebe comisses de venda, distribudas da seguinte forma: se ele vende at
dois produtos em um dia, ele ganha uma comisso de R$10,00 por produto vendido; a partir
da terceira venda, a comisso passa para R$50,00 por produto.
Qual o nmero mdio de produtos vendidos por cada vendedor em um dia de trabalho
e qual a comisso diria mdia de cada um deles?
Soluo:
O nmero mdio de produtos vendidos em um dia por um funcionrio E(P). Veja que
Im(P) = {0, 1, 2, 3, 4, 5, 6}, ento
E(P) = 0 0, 1 + 1 0, 4 + 2 0, 2 + 3 0, 1 + 4 0, 1 + 5 0, 05 + 6 0, 05 = 2, 05
ou seja, o nmero mdio de produtos vendidos em um dia por cada funcionrio 2,05 unidades.
Para encontrar a comisso mdia precisamos primeiro definir a varivel aleatria C =

comisso diria do funcionrio e depois calcular E(C ). Veja que C pode ser definido como
funo de P. A relao entre C e P, assim como as probabilidades associadas a cada valor
dessas duas variveis aleatrias, esto apresentadas na tabela a seguir.
Nmero de produtos P 0 1 2 3 4 5 6
Comisso C 0 10 20 70 120 170 220
Probabilidade de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05
Dessa forma vimos que Im(C ) = {0, 10, 20, 70, 120, 170, 220} e tambm conhecemos a
probabilidade de C assumir cada um desses valores. Podemos ento calcular E(C ):
E(C ) = 0 0, 1 + 10 0, 4 + 20 0, 2 + 70 0, 1 + 120 0, 1 + 170 0, 05 + 220 0, 05 = 46, 5
ou seja, a comisso mdia diria de cada vendedor de R$ 46,50.

Note que a esperana de X tem a mesma unidade de medida dos valores de X . Para o
Exemplo 2.18 acima a unidade de medida da varivel aleatria P unidades de produtos, logo
E(P) tambm ter essa mesma unidade de medida. O mesmo vale para a varivel aleatria C
do mesmo exemplo, sua unidade de medida reais, assim como a unidade de medida de E(C ).
Exemplo 2.19
Em um jogo de dados Cludio paga R$20,00 para Lcio e lana 3 dados. Se sair a face 1 em
um dos dados, Cludio ganha R$20,00 e sai do jogo sem prejuzo ou lucro. Se sair a face 1
em dois dos dados, Cludio ganha R$ 50,00. Se sair a face 1 nos trs dados, Cludio ganha
R$80,00. Se no sair a face 1, Cludio no ganha nada. Calcule o ganho mdio de Cludio
no jogo. Voc acha que vale a pena participar desse jogo?
Soluo:
Para calcularmos o ganho mdio de Cludio vamos definir a varivel aleatria X = ganho
do Cludio e depois encontrar E(X ). Veja que Im(X ) = {20, 0, 30, 60}. Precisamos agora
encontrar pX , isto , P(X = x) para todo x Im(X ).
pX (20) = P(X = 20) = P(no sair a face 1) = 5/6 5/6 5/6 = 125/216.
pX (0) = P(X = 0) = P(sair a face 1 em um dado) = 3 1/6 5/6 5/6 = 75/216.
pX (30) = P(X = 30) = P(sair a face 1 em dois dados) = 3 1/6 1/6 5/6 = 15/216.
pX (60) = P(X = 60) = P(sair a face 1 nos trs dados) = 1/6 1/6 1/6 = 1/216.
P
Veja que pX (x) = 1.
xIm(X )
Agora j podemos calcular E(X ),
125 75 15 1 1990
E(X ) = 20 +0 + 30 + 60 = 9, 12.
216 216 216 216 216
Ou seja, em mdia Cludio perde R$ 9,12 com o jogo. Isso significa que se Cludio
tivesse bastante dinheiro para jogar muitas partidas seguidas desse jogo, ao final ele teria
um prejuzo em torno de R$9,12. No vale a pena participar do jogo.

Exemplo 2.20
Voltando ao Exemplo 2.11, considere X = o nmero de lanamentos cujo resultado foi 6 em
quatro lanamentos de um dado. Calcule a esperana de X , ou seja, o nmero mdio de faces
iguais a 6 em quatro lanamentos de um dado.
Soluo:
No Exemplo 2.11 chegamos no resultado:
x 0 1 2 3 4
pX (x) 625/1296 500/1296 150/1296 20/1296 1/1296
Ento temos
625 500 150 20 1 861
E(X ) = 0 +1 +2 +3 +4 = 0, 6636.
1296 1296 1296 1296 1296 1296
Ou seja, o nmero mdio de faces iguais a 6 em quatro lanamentos de um dado 0,6636
face, menor que 1 face.

Exemplo 2.21
Calcule E(X ) para X = nmero de chaves testadas at conseguir abrir a porta, definida nos
Exemplos 2.8 e 2.9.
Soluo:
Vamos comear com X definida no Exemplo 2.8, onde X = nmero de chaves testadas at
abrir a porta, considerando que a cada nova tentativa as chaves j testadas so descartadas.
Para esse caso encontramos Im(X ) = {1, 2, 3, 4} e pX (x) = 1/4 para todo x Im(X ). Ento,
1 1 1 1 10
E(X ) = 1 +2 +3 +4 = = 2, 5.
4 4 4 4 4
Ou seja, se as chaves j testadas forem descartadas nas prximas tentativas, em mdia o
homem precisa de 2,5 tentativas para abrir a porta.
Vejamos agora o caso do Exemplo 2.9, onde X = nmero de chaves testadas at

abrir a porta, considerando que a cada nova tentativa qualquer uma das quatro chaves
podem ser selecionadas com mesma probabilidade. Para esse caso encontramos Im(X ) =
x1
{1, 2, 3, 4, 5, 6, . . .} e pX (x) = 34x para todo x Im(X ). Ento,

X X 3x1 X 3x1 X 3x1 X 3x1
xpX (x) = x x = (x + 1 1) x = .
4x 4x
E(X ) = + (x 1)
4 4
xIm(X ) x=1 x=1 x=1 x=1
| {z } | {z }
S1 S2
P
Primeiro veja que S1 = 1, pois S1 = xIm(X ) pX (x) e pelas propriedades da funo de
probabilidade sabemos que essa soma tem que ser 1.
Vamos agora calcular S2 . Para isso faremos a seguinte troca de varivel: y = x 1.

3x1 X 3y 3y 3y 3 X 3y1
X 0 X X
3 3
(x 1) x = y y+1 = 0 1 + y y+1 = y y+1 = y y = E(X ).
4 4 4 4 4 4 4 4
x=1 y=0 y=1 y=1 y=1
Assim chegamos ao resultado:

3 3 1
E(X ) = S1 + S2 = 1 + E(X ) E(X ) E(X ) = 1 E(X ) = 1 E(X ) = 4.
4 4 4
Ou seja, se as chaves j testadas no forem descartadas nas prximas tentativas, em

mdia o homem precisa de 4 tentativas para abrir a porta.

Para as variveis aleatrias definidas nos Exemplos 2.8, 2.9, 2.11 e 2.19 veja na Figura
2.1 os grficos das funes de probabilidade junto com a esperana, j calculada para cada
varivel aleatria.
Observando os grficos da Figura 2.1 podemos ver que a esperana de uma varivel
aleatria X o centro de gravidade da distribuio de probabilidades. Sendo assim, a
esperana uma medida de posio. Com isso temos o resultado intuitivo de que E(X ) est
sempre entre o menor e o maior valor do conjunto Im(X ), resultado apresentado na Proposio
2.22 a seguir.
Proposio 2.22
Seja X varivel aleatria discreta, xmin = min{Im(X )} e xmax = max{Im(X )}. Se E(X ) R
ento, xmin E(X ) xmax .
Demonstrao:
Primeiro vamos mostrar que xmin E(X ).
X X X
E(X ) = xpX (x) xmin pX (x) = xmin pX (x) = xmin .
xIm(X ) xIm(X ) xIm(X )
| {z }
1
E(X ) E(X )
...
1 2 3 4 1 2 3 4 5 6 7
(a) Exemplo 2.8 (b) Exemplo 2.9
E(X ) E(X )
0 1 2 3 4 20 0 30 60
(c) Exemplo 2.11 (d) Exemplo 2.19
Figura 2.1 Grfico de algumas funes de probabilidade junto com a Esperana.
Para mostrar que E(X ) xmax faremos um desenvolvimento anlogo.

X X X
E(X ) = xpX (x) xmax pX (x) = xmax pX (x) = xmax .
| {z }
1
J vimos que possvel obter uma nova varivel aleatria Y a partir de funo de uma
varivel X , Y = g(X ). Tambm vimos que atravs da funo de probabilidade de X podemos
obter a funo de probabilidade de Y . Sendo assim, podemos calcular a esperana de Y uma
vez que conhecemos a sua funo de probabilidade.
O interessante que ser apresentado na Proposio 2.23 a seguir que podemos

encontrar a esperana de Y sem precisar antes encontrar a sua funo de probabilidade.
O clculo da esperana de Y pode ser feito somente com o conhecimento da funo g que
relaciona X e Y e da funo de probabilidade de X , pX .
Proposio 2.23 Esperana de funes de varivel aleatria discreta

Seja X uma varivel aleatria discreta com funo de probabilidade pX e Y = g(X ). Ento,
X
E (Y ) = E (g (X )) = g (x) pX (x) ,
xIm(X )
Demonstrao:
X X X
E (Y ) = ypY (y) = y P(Y = y) = y P(g(X ) = y) =
yIm(Y ) yIm(Y ) yIm(Y )
X X X X
= y P(X = x) = y P(X = x) =
yIm(Y ) {x|g(x)=y} yIm(Y ) {x|g(x)=y}
X X X
= g(x)pX (x) = g(x)pX (x).
yIm(Y ) {x|g(x)=y} xIm(X )

Exemplo 2.24
Considere as variveis aleatrias X e Y = X 2 definidas no Exemplo 2.12. Encontre E(Y ) a
partir de pY e a partir de pX , usando o resultado da Proposio 2.23.
Soluo:
No Exemplo 2.12 foi dado pX e encontramos pY , as duas funes de probabilidade esto
apresentadas a seguir.
x -2 -1 0 1 2 3 y 0 1 4 9
pX (x) 0,1 0,2 0,2 0,3 0,1 0,1 pY (y) 0,2 0,5 0,2 0,1
Primeiro vamos encontrar E(Y ) a partir de pY :

X
E(Y ) = ypY (y) = 0 0, 2 + 1 0, 5 + 4 0, 2 + 9 0, 1 = 2, 2.
yIm(Y )
Agora se quisermos usar o resultado da Proposio 2.23 e calcular E(Y ) usando pX

devemos seguir assim:
X
E(Y ) = E(X 2 ) = x 2 pX (x) =
xIm(X )
= (2)2 0, 1 + (1)2 0, 2 + 02 0, 2 + 12 0, 3 + 22 0, 1 + 32 0, 1
= 2, 2.

Exemplo 2.25
Seja X varivel aleatria discreta com funo de distribuio definida por:

0 , x < 2
, 2 x < 1

1/8
FX (x) = 5/8 ,1 x < 2
,2 x < 4

7/8
, x 4.

1
Calcule E(X ), E(X 2 ), E(5 2X ) e E(|X |).
Soluo:
Primeiro vamos encontrar Im(X ) e pX . Veja que Im(X ) = {2, 1, 2, 4} e que pX (x) em cada
x Im(X ) est definido na tabela a seguir:
x -2 1 2 4
pX (x) 1/8 1/2 1/4 1/8
Agora podemos calcular o que se pede.

X 1 1 1 1 10 5
E(X ) = xpX (x) = (2) +1 +2 +4 = = .
8 2 4 8 8 4
xIm(X )
X 1 1 1 1 32
E(X 2 ) = x 2 pX (x) = (2)2 + 12 + 22 + 42 = = 4.
8 2 4 8 8
xIm(X )
X
E(5 2X ) = (5 2x)pX (x)
xIm(X )
1 1 1 1
= (5 2 (2)) + (5 2 1) + (5 2 2) + (5 2 4)
8 2 4 8
20 5
= = .
8 2
X 1 1 1 1 14 7
E(|X |) = |x|pX (x) = | 2| + |1| + |2| + |4| = = .
8 2 4 8 8 4
xIm(X )

Proposio 2.26 Propriedade de Linearidade da Esperana

Seja X varivel aleatria discreta tal que E(X ) R. Sejam a, b R. Ento,
E(aX + b) = a E(X ) + b.
Demonstrao: X
E(aX + b) = (ax + b)pX (x) =
xIm(X )
X
= (axpX (x) + bpX (x)) =
xIm(X )
X X
= axpX (x) + bpX (x) =
xIm(X ) xIm(X )
X X
= a xpX (x) +b pX (x) = a E(X ) + b.
xIm(X ) xIm(X )
| {z } | {z }
E(X ) 1
Exemplo 2.27
No Exemplo 2.9 definimos X = nmero de chaves testadas at abrir a porta, considerando que
a cada nova tentativa qualquer uma das quatro chaves podem ser selecionadas com mesma
probabilidade. No Exemplo 2.21 encontramos E(X ) = 4. Considere Y = nmero de chaves
erradas at abrir a porta definida no Exemplo 2.15. Calcule Y de duas maneiras diferentes,
primeiro usando pY encontrada no Exemplo 2.15 e depois usando o resultado da Proposio
2.26.
Soluo:
3y

4y+1
, se y = 0, 1, 2, 3, . . .
No Exemplo 2.15 encontramos pY (y) =
0 , caso contrrio.
Segue o clculo de E(Y ) a partir de pY .

X X 3y X 3y
ypY (y) = y
4y+1 4y+1
E(Y ) = = (y + 1 1) =
yIm(Y ) y=0 y=0

X 3y 3y X
.
4y+1 4y+1
= (y + 1)
y=0 y=0
| {z } | {z }
S1 S2
3y
Veja primeiro que S2 =
P P
y=0 4y+1 = yIm(Y ) pY (y) = 1. Vamos agora encontrar S1 ,
para isso faremos a troca de varivel z = y + 1.

X 3y X 3z1 4 X 3z 4 X 3z 4
S1 = (y + 1) y+1 = z z = z z+1 = z z+1 = E(Y ).
4 4 3 4 3 4 3
y=0 z=1 z=1 z=0
| {z }
E(Y )
Assim temos,
4 4 1
E(Y ) = E(Y ) 1 1 = E(Y ) E(Y ) 1 = E(Y ) E(Y ) = 3.
3 3 3
Chegamos na mesma resposta, de forma bem mais simples, usando o resultado da

Proposio 2.26. J encontramos E(X ) = 4 no Exemplo 2.21 e temos Y = X 1, veja Exemplo
2.15. Logo E(Y ) = E(X 1) = E(X ) 1 = 4 1 = 3.

2.4 Varincia e Desvio-Padro de Varivel Aleatria
J vimos que a esperana de uma varivel aleatria X o centro de gravidade da

distribuio de probabilidades, logo uma medida de posio. No entanto, possvel que duas
variveis bem diferentes tenham a mesma esperana, o que nos mostra que a esperana no
uma medida que descreve completamente a varivel aleatria.
Exemplo 2.28
Considere X1 e X2 variveis aleatrias discretas com funes de probabilidade pX1 e pX2
definidas por:

, x = 1, 2, 8, 9
, x = 3, 7

0, 05
, x = 3, 7

0, 1
, x = 4, 6
0, 1
pX1 (x) = , x = 4, 6 pX2 (x) =
0, 3
,x = 5
0, 15
,x = 5

0, 2
, caso contrrio.

0, 3
, caso contrrio;
0
0
(a) Mostre que E(X1 ) = E(X2 ).
(b) Esboce e compare os grficos de pX1 e pX2 . O que voc pode perceber de diferente entre
essas duas variveis?
Soluo:
(a) Ambas as esperanas so iguais 5, basta fazer as contas:

E(X1 ) = 1 0, 05 + 2 0, 05 + 3 0, 1 + 4 0, 15 + 5 0, 3 + 6 0, 15 + 7 0, 1 + 8
0, 05 + 9 0, 05 = 5.
E(X2 ) = 3 0, 1 + 4 0, 3 + 5 0, 2 + 6 0, 3 + 7 0, 1 = 5.
(b) A seguir esto os grficos das funes de probabilidade de X1 e X2 .

2.4. VARINCIA E DESVIO-PADRO DE VARIVEL ALEATRIA 39
pX1 pX2
E(X1 ) E(X2 )
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9
Uma diferena que pode ser notada de imediato a a disperso dos valores para cada
varivel aleatria. Veja que X1 tem valores mais dispersos em torno da mdia que X2 ,
isto , mais espalhados. Ou seja, os valores de Im(X2 ) so mais concentrados em torno
da mdia do que so os valores de Im(X1 ). Exitem vrias maneiras de medir a disperso
de uma varivel aleatria, vamos definir inicialmente uma dessas medidas de disperso,
chamada de varincia.

Definio 2.29 Varincia de Varivel Aleatria Discreta

Seja X varivel aleatria discreta tal que E(X ) R. A varincia de X definida como
h i X
Var (X ) = E (X E (X ))2 = (x E (X ))2 pX (x),
xIm(X )
Veja que Var(X ) definida como E(g(X )), com g(X ) = (X E(X ))2 . O termo X E(X )
chamado de desvio em torno da mdia. Sendo assim, a varincia a mdia dos desvios
quadrticos em torno da mdia E(X ).
necessrio que exista E(X ), isto , que E(X ) R.

Veja tambm que para existir Var(X )P
Alm disso necessrio que o somatrio xIm(X ) (x E (X ))2 pX (x) convirja.
A Proposio 2.30 a seguir apresenta uma expresso alternativa para o clculo da

varincia, que em geral mais usada do que a prpria expresso apresentada na Definio
2.29.
Proposio 2.30
Seja X varivel aleatria discreta tal que E(X ) R e E(X 2 ) R. Ento, Var(X ) R e
Var(X ) = E(X 2 ) (E(X ))2
Demonstrao:
X
Var (X ) = (x E (X ))2 pX (x)
xIm(X )
X
= x 2 2x E(X ) + (E(X ))2 pX (x) =
xIm(X )
X
= x 2 pX (x) 2x E(X )pX (x) + (E(X ))2 pX (x) =
xIm(X )
X X X
= x 2 pX (x) 2x E(X )pX (x) + (E(X ))2 pX (x) =
X X X
= x 2 pX (x) 2 E(X ) xpX (x) + (E(X ))2 pX (x) =
| {z } | {z } | {z }
E(X 2 ) E(X ) 1
= E(X 2 ) 2 E(X ) E(X ) + (E(X ))2 =

= E(X 2 ) (E(X ))2 .

O resultado da Proposio 2.30 pode ser lido, de maneira informal, como a varincia
a esperana do quadrado menos o quadrado da esperana.
Da definio de varincia, resulta que sua unidade de medida o quadrado da unidade

de medida da varivel em estudo, sendo assim, uma unidade sem significado fsico. Para se
ter uma medida de disperso na mesma unidade dos dados, define-se o desvio-padro como
a raiz quadrada da varincia.
Definio 2.31 Desvio-padro

O desvio-padro de uma varivel aleatria X definido como a raiz quadrada de sua
varincia: p
DP (X ) = Var (X )
Exemplo 2.32
Calcule Var(X1 ), DP(X1 ), Var(X2 ) e DP(X2 ) para as variveis definidas no Exemplo 2.28 e
comente os resultados.
Soluo:
Primeiro as contas para a varvel X1 :
E(X12 ) = 12 0, 05 + 22 0, 05 + 32 0, 1 + 42 0, 15 + 52 0, 3 +
62 0, 15 + 72 0, 1 + 82 0, 05 + 92 0, 05
= 28, 6.
Var(X1 ) = E(X12 ) E(X1 )2 = 28, 6 52 = 3, 6.
p p
DP(X1 ) = Var(X1 ) = 3, 6 1, 9.
Agora as contas para a varvel X2 :
E(X22 ) = 32 0, 1 + 42 0, 3 + 52 0, 2 + 62 0, 3 + 72 0, 1 = 26, 4.
Var(X2 ) = E(X22 ) E(X2 )2 = 26, 4 52 = 1, 4.
p p
DP(X2 ) = Var(X2 ) = 1, 4 1, 2.
Como j comentado no Exemplo 2.28, a disperso de X1 maior que a disperso de X2 ,

uma vez que Var(X1 ) > Var(X2 ), ou DP(X1 ) > DP(X2 ).

J vimos que se X varivel aleatria degenerada, isto , X tal que P(X = c) = 1,

ento E(X ) = c (Proposio 2.17). Vejamos agora como a varincia de uma varivel aleatria
degenerada.
Proposio 2.33
Seja X uma varivel aleatria tal que P(X = c) = 1. Ento Var(X ) = 0, ou seja, Var(c) = 0.
Demonstrao:
Como P(X = c) = 1, temos E(X ) = c. Veja que Y = X 2 tambm varivel aleatria degenerada
e P(Y = c 2 ) = 1. Logo, E(Y ) = E(X 2 ) = c 2 . Ento, Var(X ) = E(X 2 ) E(X )2 c 2 c 2 = 0.

Vejamos mais algumas propriedades da varincia, agora para qualquer que seja a
varivel aleatria.
Proposio 2.34 Propriedades da Varincia e do Desvio-padro
Seja X varivel aleatria tal que Var(X ) R. Ento valem as seguintes propriedades:
(i) Var(X ) 0
(ii) DP(X ) 0
(iii) Var(aX + b) = a2 Var(X )
(iv) DP(aX + b) = |a| DP(X )
Demonstrao:
(i) Veja que Var(X ) = E(g(X )), com g(X ) = (X E(X ))2 . Veja tambm que g(X ) varivel
aleatria no negativa, isto , xmin = min{Im(g(X ))} 0. Logo, pela propriedade
apresentada na Proposio 2.22, podemos afirmar que E(g(X )) xmin 0. Ento,
Var(X ) 0.
p
(ii) Como Var(X ) 0, DP(X ) = Var(X ) 0.
(iii)

Var(aX + b) = E (aX + b E(aX + b))2
2
= E aX + b a E(X )
b

= E (aX a E(X ))2

= E a2 (X E(X ))2

= a2 E (X E(X ))2
= a2 Var(X ).
p p p
(iv) DP(aX + b) = Var(aX + b) = a2 Var(X ) = |a| Var(X ) = |a| DP(X ).

Exemplo 2.35
Considere a v.a. Y com funo de probabilidade dada por
y 3 1 0 2 5 8 9
pY (y) 0, 25 0, 30 0, 20 0, 10 0, 07 0, 05 0, 03
e seja Z = 2Y 3. Vamos calcular a esperana e a varincia de Y e Z .
Soluo:
E(Y ) = 3 0, 25 1 0, 30 + 0 0, 20 + 2 0, 10 + 5 0, 07 + 8 0, 05 + 9 0, 03 = 0, 17.
E(Z ) = 2 E(Y ) 3 = 2 0, 17 3 = 2, 66.
Vamos calcular agora E(Y 2 ):
E(Y 2 ) = 90, 25+10, 30+00, 20+40, 10+250, 07+640, 05+810, 03 = 10, 33.
Logo, Var(Y ) = 10, 33 0, 172 = 10, 3011.
Usando as propriedades da varincia, temos que Var(Z ) = 22 Var(Y ) = 41, 2044.

Exemplo 2.36
Um lojista mantm extensos registros das vendas dirias de certo aparelho. O quadro a seguir
d a distribuio de probabilidades do nmero de aparelhos vendidos em uma semana. Se o
lucro por unidade vendida de R$500,00, qual o lucro esperado em uma semana? Qual o
desvio-padro do lucro?
x= nmero de aparelhos 0 1 2 3 4 5
pX (x) 0,1 0,1 0,2 0,3 0,2 0,1
Soluo:
Seja X o nmero de aparelhos vendidos. Vamos calcular a mdia e o desvio padro de X , isto
, do nmero de aparelhos vendidos.
E (X ) = 0 0, 1 + 1 0, 1 + 2 0, 2 + 3 0, 3 + 4 0, 2 + 5 0, 1
= 2, 7 aparelhos

E X2 = 02 0, 1 + 12 0, 1 + 22 0, 2 + 32 0, 3 + 42 0, 2 + 52 0, 1
= 10, 2 aparelhos2
Var (X ) = 10, 2 (2, 7)2 = 2, 91 aparelhos2

DP (X ) = 1, 706 aparelhos
Seja L o lucro semanal. Veja que L = 500X . Como conhecemos E(X ) e DP(X ) podemos usar
as propriedades da esperana e do desvio padro para encontrar o que se pede: E(L) e DP(L).
E (L) = 500 E (X ) = R$1350, 00
DP (L) = 500 DP(X ) = R$852, 94

Exemplo 2.37
Seja X a varivel aleatria definida no Exemplo 2.25, isto , X tal que

0 , x < 2
, 2 x < 1

1/8
FX (x) = 5/8 , 1 x < 2
,2 x < 4

7/8
, x 4.

1
No Exemplo 2.25 calculamos E(X ), E(X 2 ), E(5 2X ) e E(|X |). Agora calcule Var(X ), Var(X 2 ),
Var(5 2X ) e Var(|X |).
Soluo:
Os resultados encontrados no Exemplo 2.25 foram: E(X ) = 5
4, E(X 2 ) = 4, E(5 2X ) = 5
2 e
E(|X |) = 74 .
Vamos calcular o que se pede.

2
5 64 25 39
Var(X ) = E(X ) E(X ) = 4
2 2
= = .
4 16 16

X
Var(X 2 ) = E(X 4 ) E(X 2 )2 = x 4 pX (x) 42
xIm(X )

1 1 1 1
= (2) + 1 + 2 + 4
4 4 4 4
16
8 2 4 8

312
= 16 = 39 16 = 23.
8
39 39
Var(5 2X ) = 4 Var(X ) = 4 = .
16 4
2
7 64 49 15
Var(|X |) = E(|X | ) E(|X |) = E(X ) E(|X |) = 4
2 2 2 2
= = .
4 16 16

Exemplo 2.38
Seja uma v.a. X com funo de probabilidade dada na tabela a seguir:
x 1 2 3 4 5
pX (x) p2 p2 p p p2
(a) Encontre o valor de p para que pX (x) seja, de fato, uma funo de probabilidade.
(b) Calcule P (X 4) e P (X < 3) .
(c) Calcule P (|X 3| 2) .
(d) Calcule E(X ) e Var(X ).
Soluo:
P
(a) Como pX (x) = 1, temos que ter:
x
3p2 + 2p = 1 3p2 + 2p 1 = 0

2 4 + 12 2 4 p = 1
p= = ou
p = 13
6 6
Como p uma probabilidade, temos que ter p 0. Logo, o valor correto p = 13 .
(b) P(X 4) = P(X = 4) + P(X = 5) = p + p2 = 1

3 + 1
9 = 94 .
Pr(X < 3) = P(X = 1) + P(X = 2) = 2p2 = 29 .
(c) Aqui temos que notar o seguinte fato sobre a funo mdulo, ilustrado na Figura 2.2.
Valores y = |x| no eixo vertical menores que k (abaixo da linha horizontal slida)
correspondem a valores de x no intervalo (k, k) e valores y no eixo vertical maiores
que k correspondem ou a x > k ou a x < k. Mais precisamente,
|x | k xk ou x k
|x | k k x k
|x| = k
k k
Figura 2.2 Funo mdulo
Usando esses fatos, temos que
P (|X 3| 2) = P ({X 3 2} {X 3 2}) =

= P (X 3 2) + P (X 3 2) =
= P (X 1) + P (X 5) =
= P (X = 1) + P(X = 5) =
2
= 2p2 =
9
(d) Temos que
E(X ) = 1 p2 + 2 p2 + 3 p + 4 p + 5 p2
1 2 4 5
= + +1+ +
9 9 3 9
29
= = 3, 2222
9
E(X 2 ) = 12 p2 + 22 p2 + 32 p + 42 p + 52 p2
1 4 16 25
= + +3+ +
9 9 3 9
105 35
= =
9 3
2
35 29 14
Var(X ) = =
3 9 81

Exemplo 2.39 Jogo de dados
Um jogador A paga R$5,00 a B e lana um dado. Se sair face 3, ganha R$20,00. Se sair face
4, 5, ou 6, perde. Se sair face 1 ou 2, tem o direito de jogar novamente. Desta vez, lana
dois dados. Se sarem duas faces 6, ganha R$50,00. Se sair uma face 6, recebe o dinheiro
de volta. Nos demais casos, perde. Seja L o lucro lquido do jogador A nesse jogo. Calcule a
funo de probabilidade de L e o lucro esperado do jogador A.
Soluo:
Sabemos que o dado honesto e que os lanamentos so independentes. O diagrama de
para o espao amostral desse experimento est apresentado na Figura 2.3.
-5+20 = 15
1/
6
},
{3
{4, 5, 6}, 1/2
-5 -5
25/
{1
36
6},
,2
},
1/ hum
{ne
3 n
{apenas um 6}, 10/36

-5+5=0
{du
a s fa
ces
6},
1/ 3
6
-5+50=45
Figura 2.3 Diagrama para o espao amostral do Exemplo 2.39
Para calcular a probabilidade dos eventos associados aos lanamentos dos dois dados
(parte inferior da rvore), usamos o fato de que a probabilidade da interseo de eventos
independentes o produto das probabilidades.
No clculo da probabilidade de uma face 6 temos: 2 (1/6) (5/6). Multiplicamos por

2, porque a face 6 pode estar em qualquer um dos dois dados.
Vemos que os valores do lucro L so: -5; 0; 15; 45 e a funo de probabilidade de L
Lucro ` -5 0 15 45
P(L = `) 1
2 + 2
6 5
6 5
6 = 158
216
2
6 2 1
6 5
6 = 20
216
1
6 = 36
216
2
6 1
6 1
6 = 2
216
Assim,
158 36 2 160
E(L) = 5 + 15 + 45 = = 0, 74.
216 216 216 216

Captulo 3
Algumas Distribuies Discretas
3.1 Introduo
Considere as seguintes situaes:
1. (a) Lana-se uma moeda viciada e observa-se o resultado obtido e (b) pergunta-se a um
eleitor se ele vai votar no candidato A ou B.
2. (a) Lana-se uma moeda n vezes e observa-se o nmero de caras obtidas e (b) de uma
grande populao, extrai-se uma amostra de n eleitores e pergunta-se a cada um deles
em qual dos candidatos A ou B eles votaro e conta-se o nmero de votos do candidato
A.
3. (a) De uma urna com P bolas vermelhas e Q bolas brancas, extraem-se n bolas sem
reposio e conta-se o nmero de bolas brancas e (b) de uma populao com P pessoas
a favor do candidato A e Q pessoas a favor do candidato B, extrai-se uma amostra de
tamanho n sem reposio e conta-se o nmero de pessoas a favor do candidato A na
amostra.
Em cada uma das situaes anteriores, os experimentos citados tm algo em comum:

em certo sentido, temos a mesma situao , mas em contextos diferentes. Por exemplo, na
situao 1, cada um dos experimentos tem dois resultados possveis e observamos o resultado
obtido. Na situao 3, temos uma populao dividida em duas categorias e dela extramos
uma amostra sem reposio; o interesse est no nmero de elementos de uma determinada
categoria.
Na prtica, existem muitas outras situaes que podem se encaixar nos modelos acima
e mesmo em outros modelos. O que veremos nesse captulo so alguns modelos de variveis
aleatrias discretas que podem descrever situaes como as listadas anteriormente. Nesse
contexto, um modelo ser definido por uma varivel aleatria e sua funo de probabilidade,
explicitando-se claramente as hipteses de validade. De posse desses elementos, poderemos
analisar diferentes situaes prticas para tentar encaix-las em algum dos modelos dados.
Neste captulo, sero descritas as distribuies de probabilidade discretas mais usuais.A

introduo de cada uma delas ser feita atravs de um exemplo clssico (moeda, urna, baralho
etc.) e, em seguida, sero explicitadas as caractersticas do experimento. Tais caractersticas
so a ferramenta necessria para sabermos qual modelo se aplica a uma determinada situao
prtica. Definida a distribuio, calculam-se a mdia e a varincia.
48 CAPTULO 3. ALGUMAS DISTRIBUIES DISCRETAS
3.2 Distribuio Uniforme Discreta
Suponha que seu professor de Estatstica decida dar de presente a um dos alunos um
livro de sua autoria. No querendo favorecer qualquer aluno em especial, ele decide sortear
aleatoriamente o ganhador, dentre os 45 alunos da turma. Para isso, ele numera os nomes
dos alunos que constam do dirio de classe de 1 a 45, escreve esses nmeros em pedaos
iguais de papel, dobrando-os ao meio para que o nmero no fique visvel, e sorteia um desses
papis depois de bem misturados. Qual a probabilidade de que voc ganhe o livro? Qual
a probabilidade de que o aluno que tirou a nota mais baixa na primeira prova ganhe o livro?
E o que tirou a nota mais alta?
O importante a notar nesse exemplo o seguinte: o professor tomou todos os cuidados

necessrios para no favorecer qualquer aluno em especial. Isso significa que todos os alunos
tm a mesma chance de ganhar o livro. Temos, assim, um exemplo da distribuio uniforme
discreta.
Definio 3.1 Distribuio Uniforme Discreta

Uma varivel aleatria X tem distribuio de Uniforme Discreta com parmetro n se
Im(X ) um conjunto finito com n elementos e a probabilidade de X assumir qualquer
um do n elementos a mesma, independente do elemento.
Note que, em uma distribuio discreta uniforme, todos os valores so igualmente

provveis. Veja que o parmetro n o nmero de valores que a varivel aleatria pode assumir
e por isso n pode ser qualquer valor no conjunto N. Chamamos de espao paramtrico o
conjunto de valores que o parmetro de uma distribuio pode assumir. Nesse caso, o espao
paramtrico para o parmetro n o conjunto dos nmeros naturais, isto , N.
Vamos denotar a distribuio Uniforme Discreta com parmetro n por Unif(n). Nesse
caso, se quisermos indicar que uma varivel aleatria X segue a distribuio Uniforme Discreta
com parmetro n podemos simplesmente escrever: X Unif(n) (l-se: a varivel aleatria X
tem distribuio Uniforme Discreta com parmetro n).
Funo de Probabilidade e Funo de Distribuio
Seja X Unif(n) e suponha Im(X ) = {x1 , x2 , . . . , xn }. Logo a sua funo de

probabilidade definida por
1
pX (xi ) = P(X = xi ) = i = 1, 2, . . . , n. (3.1)
n
Na Figura 3.1 a seguir esto os grficos da funo de probabilidade e funo de

distribuio de uma varivel aleatria discreta. Veja que como a probabilidade associada
a cada elemento xi de Im(X ) o mesmo i, os degraus no grfico da Funo de Distribuio
tem mesmo tamanho, Figura 3.1(b).
3.2. DISTRIBUIO UNIFORME DISCRETA 49
3/n
1/n
2/n
1/n
0 0
x1 x2 x3 ... xn x1 x2 x3 ... xn
(a) Funo de Probabilidade (b) Funo de Distribuio
Figura 3.1 Distribuio Uniforme Discreta.
Esperana e Varincia
Seja X uma v.a. discreta uniforme que assume valores x1 , x2 , . . . , xn . Seguindo a

Definio 2.16 podemos calcular E(X ),
1 1 1
E(X ) = x1 + x2 + + xn = x, (3.2)
n n n
ou seja, E(X ) a mdia aritmtica dos valores possveis de X .
Com relao varincia, temos a Definio 2.29, de onde tiramos que
1 1 1
Var(X ) = E [X E(X )]2 = (x1 x)2 + (x2 x)2 + + (xn x)2 = X2 (3.3)
n n n
Exemplo 3.2 Lanamento de uma moeda
Considere o lanamento de uma moeda. Vamos definir a seguinte varivel aleatria X
associada a esse experimento:

0 , se ocorre cara
X=
1 , se ocorre coroa
Verifique se X varivel aleatria uniforme discreta e calcule sua mdia e varincia.
Soluo:
Para que essa v.a. tenha distribuio uniforme, necessrio supor que a moeda seja honesta
e, nesse caso,
1
pX (0) = pX (1) =
2
0+1 1
E(X ) = =
2 2

1 1 2 1 1 2
Var(X ) = 0 + 1
2 2 2 2
1 1 1 1 1
= + =
2 4 2 4 4

Exemplo 3.3 Conserto de mquina

Uma mquina pode apresentar 5 tipos diferentes de defeitos, que ocorrem aproximadamente
na mesma frequncia. Dependendo do tipo de defeito, o tcnico leva 1, 2, 3, 4 ou 5 horas para
consertar a mquina.
(a) Descreva o modelo probabilstico apropriado para representar a durao do tempo de

reparo da mquina.
(b) Qual o tempo mdio de reparo desta mquina? E o desvio-padro deste tempo de
reparo?
(c) So 15 horas e acaba de ser entregue uma mquina para reparo. A jornada normal de
trabalho do tcnico termina s 17 horas. Qual a probabilidade de que o tcnico no
precise fazer hora extra para terminar o conserto desta mquina?
Soluo:
Seja T = tempo de reparo, em horas.
(a) Como os defeitos ocorrem na mesma frequncia, o modelo probabilstico apropriado
uma distribuio uniforme:
t 1 2 3 4 5
pT (t) = P(T = t) 1
5
1
5
1
5
1
5
1
5
1+2+3+4+5
(b) E(T ) = = 3 horas
5
12 + 22 + 32 + 42 + 52
Var(T ) = 9 = 2 = DP(T ) = 1, 41 horas
5
(c) Seja E o evento tcnico vai ter que fazer hora extra. Ento
3
P(E) = P(T > 2) = = 0, 6
5
Logo, a probabilidade de que ele no tenha que fazer hora extra 0,4.

3.3 Distribuio de Bernoulli
Considere o lanamento de uma moeda. A caracterstica de tal experimento aleatrio

que ele possui apenas dois resultados possveis. Uma situao anloga surge quando da
extrao da carta de um baralho, em que o interesse est apenas na cor (preta ou vermelha)
da carta sorteada.
Definio 3.4 Ensaio de Bernoulli

Um ensaio de Bernoulli, ou experimento de Bernoulli, um experimento aleatrio com
apenas dois resultados possveis; por conveno, um deles chamado sucesso e o outro,
fracasso.
Suponha que seja realizado um ensaio de Bernoulli e, baseado nesse experimento, seja
definida a varivel aleatria X :

X=
1 , se ocorre sucesso
0 , se ocorre fracasso
3.3. DISTRIBUIO DE BERNOULLI 51
Veja que a varivel aleatria assume o valor 1 no caso de sucesso e 0 no caso de

fracasso. X chamada de v.a. de Bernoulli, como mostra a Definio 3.5.
Definio 3.5 Distribuio de Bernoulli

Uma varivel aleatria X tem distribuio de Bernoulli com parmetro p se ela uma
varivel indicadora de algum evento, denominado sucesso, com probabilidade p de
ocorrncia.
Primeiro veja que para qualquer ensaio de Bernoulli sempre possvel definir uma v.a.
de Bernoulli, como j comentado acima. Veja tambm que Im(X ) = {0, 1}, uma vez que X
v.a. indicadora (Definio 1.11), P(X = 1) = p, probabilidade de sucesso, e P(X = 0) = 1 p,
probabilidade de fracasso. Como p uma probabilidade, o espao paramtrico o intervalo
[0, 1]. comum denotar a probabilidade de fracasso por q, isto , q = 1 p e 0 q 1.
Vamos denotar a distribuio de Bernoulli com parmetro p por Bern(p). Nesse caso,
se quisermos indicar que uma varivel aleatria X segue a distribuio de Bernoulli com
parmetro p podemos simplesmente escrever: X Bern(p) (l-se: a varivel aleatria X tem
distribuio de Bernoulli com parmetro p).
Funo de Probabilidade e Funo de Distribuio
A funo de probabilidade de X Bern(p) pode tambm ser escrita da seguinte forma:
pX (x) = P(X = x) = px (1 p)1x x = 0, 1. (3.4)
Verifique que P(X = 1) = p e P(X = 0) = 1 p. J a sua funo de distribuio acumulada

dada por:

0 se x < 0
FX (x) = 1p se 0 x < 1 (3.5)
se x 1

1
Na Figura 3.2, temos os grficos da funo de probabilidade e da funo de

distribuio acumulada de uma varivel de Bernoulli. Como Im(X ) um conjunto com
apenas dois elementos, Im(X ) = {0, 1}, a funo de distribuio de X s tem dois pontos
de descontinuidade, em 0 e em 1.
1p 1p
0 0
0 1 0 1
(a) Funo de Probabilidade (b) Funo de Distribuio
Figura 3.2 Distribuio de Bernoulli.

Esperana e Varincia
Seja X Bern(p). Ento,
E(X ) = 0 (1 p) + 1 p = p
E(X 2 ) = 02 (1 p) + 12 p = p
Var(X ) = E(X 2 ) [E(X )]2 = p p2 = p(1 p)
Em resumo, se X Bern(p) temos
E(X ) = p (3.6)
Var(X ) = p(1 p) (3.7)
Exemplo 3.6 Lanamento de uma moeda

Considere, assim como no Exemplo 3.2, o lanamento de uma moeda e a seguinte varivel
aleatria X associada a esse experimento:

0 , se ocorre cara
X=
1 , se ocorre coroa.
Seja p a probabilidade de cara, 0 < p < 1. J vimos que se p = 1/2 ento X uniforme
discreta. Encontre a distribuio de X qualquer que seja o valor de p.
Soluo:
Como Im(X ) = {0, 1}, X tem distribuio de Bernoulli com parmetro p, qualquer que seja
p. Nesse caso o sucesso definido como a sada cara, e ocorre com probabilidade p, e o
fracasso a sada coroa.
Note que se p = 1/2 X pode ser considerada uma v.a. de Bernoulli ou uniforme discreta,
para os outros valores de p X s pode ser considerada v.a. de Bernoulli. Nesse caso, a
Bernoulli com parmetro p = 1/2 equivalente distribuio uniforme.

Exemplo 3.7 Auditoria da Receita Federal

Um auditor da Receita Federal examina declaraes de Imposto de Renda de pessoas
fsicas, cuja variao patrimonial ficou acima do limite considerado aceitvel. De dados
histricos, sabe-se que 10% dessas declaraes so fraudulentas. Considere o experimento
correspondente ao sorteio aleatrio de uma dessas declaraes e defina a v.a. indicadora do
evento A = foi sorteada uma declarao fraudulenta (Definio 1.11). Encontre o modelos
probabilstico adequado para essa v.a.
Soluo:
Primeiro veja que o experimento correspondente ao sorteio aleatrio de uma dessas
declaraes em que observado se a declarao sorteada ou no fraudulenta um
experimento de Bernoulli.
A v.a. indicadora do evento em questo pode ser definida por

1 , se a declarao sorteada fraudulenta
IA =
0 , caso contrrio.
Veja que Im(IA ) = {0, 1} e por isso podemos dizer que esta v.a. tem distribuio de
Bernoulli. O parmetro p a probabilidade de sucesso, que por definio o evento
3.4. DISTRIBUIO BINOMIAL 53
associado ao valor 1 da varivel aleatria. Da forma com que IA foi construda o sucesso
para esse ensaio de Bernoulli encontrar uma declarao fraudulenta. Ento p = 0, 1.
Esse exemplo ilustra o fato de que sucesso, nesse contexto, nem sempre significa uma
situao feliz na vida real. Aqui, sucesso definido de acordo com o interesse estatstico no
problema. Em uma situao mais dramtica, sucesso pode indicar a morte de um paciente,
por exemplo.

3.4 Distribuio Binomial
Vamos introduzir a distribuio binomial, uma das mais importantes distribuies

discretas, atravs de dois um exemplo. Em seguida, discutiremos as hipteses feitas e
apresentaremos os resultados formais sobre tal distribuio e novos exemplos.
Exemplo 3.8 Lanamentos de uma moeda

Considere o seguinte experimento: uma moeda lanada 4 vezes. Seja p = P(sair a face
cara). Vamos definir a seguinte varivel aleatria associada a este experimento:
X = nmero de faces caras considerando os quatro lanamentos da moeda.
Encontre a funo de probabilidade da v.a. X .
Soluo:
Como visto antes, cada lanamento da moeda representa um experimento de Bernoulli e como
o interesse est no nmero de caras, vamos definir sucesso = cara.
Para encontrar a funo de probabilidade de X , o primeiro fato a notar que os valores

possveis de X so: 0, que equivale ocorrncia de nenhuma cara e, portanto, de 4 coroas; 1,
que equivale ocorrncia de apenas 1 cara e, portanto, 3 coroas; 2, que equivale ocorrncia
de 2 caras e, portanto, 2 coroas; 3, que equivale ocorrncia de 3 caras e 1 coroa e, finalmente,
4, que equivale ocorrncia de 4 caras e nenhuma coroa. Assim, os possveis valores de X
so
X = 0, 1, 2, 3, 4
Vamos, agora, calcular a probabilidade de cada um desses valores, de modo a completar a
especificao da funo de probabilidade de X . Para isso, vamos representar por Ki o evento
cara no i-simo lanamento e por Ci o evento coroa no i-simo lanamento.
X =0
Temos a seguinte equivalncia de eventos:
{X = 0} C1 C2 C3 C4
razovel supor que os lanamentos da moeda sejam eventos independentes, ou seja,

o resultado de um lanamento no interfere no resultado de qualquer outro lanamento.
Dessa forma, os eventos Ci e Kj so independentes para i 6= j. (Note que os eventos Ci e
Ki so mutuamente exclusivos e, portanto, no so independentes se sair cara em um
lanamento especfico, no possvel sair coroa nesse mesmo lanamento e vice-versa).
Analogamente, os eventos Ci e Cj so independentes para i 6= j, bem como os eventos
Ki e Kj , i 6= j. Pela regra da probabilidade da interseo de eventos independentes,
resulta que
P (C1 C2 C3 C4 ) = P(C1 ) P(C2 ) P(C3 ) P(C4 )
= (1 p) (1 p) (1 p) (1 p)
= (1 p)4
X =1
O evento X = 1 corresponde ocorrncia de 1 cara e, consequentemente, de 3 coroas.
Uma sequncia possvel de lanamentos
K1 C2 C3 C4 .
Vamos calcular a probabilidade desse resultado. Como antes, os lanamentos so
eventos independentes e, portanto,
P(K1 C2 C3 C4 ) = P(K1 ) P(C2 ) P(C3 ) P(C4 )
= p (1 p) (1 p) (1 p)
= p(1 p)3
Mas qualquer sequncia com 1 cara resulta em X = 1, ou seja, a face cara pode estar em
qualquer uma das quatro posies e todas essas sequncias resultam em X = 1. Alm
disso, definida a posio da face cara, as posies das faces coroas j esto determinadas
so as posies restantes. Ento, temos a seguinte equivalncia:
{X = 1} {K1 C2 C3 C4 } {C1 K2 C3 C4 }
{C1 C2 K3 C4 } {C1 C2 C3 K4 }
Mas os eventos que aparecem no lado direito da expresso anterior so eventos

mutuamente exclusivos. Logo,
P(X = 1) = P(K1 C2 C3 C4 )
+ P(C1 K2 C3 C4 )
+ P(C1 C2 K3 C4 )
+ P(C1 C2 C3 K4 )
= p (1 p) (1 p) (1 p)
+(1 p) p (1 p) (1 p)
+(1 p) (1 p) p (1 p)
+(1 p) (1 p) (1 p) p
= 4p(1 p)3
X =2
O evento X = 2 corresponde ocorrncia de 2 caras e, consequentemente, de 2 coroas.
Qualquer uma dessas sequcias tem probabilidade p2 (1 p)2 .
As sequncias de lanamentos com 2 caras e 2 coroas so as seguintes:
K1 K2 C3 C4
K1 C2 K3 C4
K1 C2 C3 K4
C1 C2 K 3 K 4
C1 K 2 C3 K 4
C1 K 2 K 3 C4
Todas essas 6 sequncias tm a mesma probabilidade e correspondem a eventos

mutuamente exclusivos. Temos a seguinte equivalncia:
{X = 2} (K1 K2 C3 C4 ) (K1 C2 K3 C4 )
(K1 C2 C3 K4 ) (C1 C2 K3 K4 )
(C1 K2 C3 K4 ) (C1 K2 K3 C4 )
e, portanto,
P(X = 2) = P(K1 K2 C3 C4 ) + P(K1 C2 K3 C4 ) +

P(K1 C2 C3 K4 ) + P(C1 C2 K3 K4 ) +
P(C1 K2 C3 K4 ) + P(C1 K2 K3 C4 )
= 6p2 (1 p)2
X =3eX =4
Os casos X = 3 e X = 4 so anlogos aos casos X = 1 e X = 0, respectivamente; basta
trocar caras por coroas e vice-versa. Assim,
P(X = 3) = 4p3 (1 p)
P(X = 4) = p4
Dessa forma chegamos resposta:

(1 p)4 , se x = 0

4p(1 p)3 , se x = 1
6p2 (1 p)2

pX (x) =
, se x = 2

4p3 (1 p) , se x = 3
p4

, se x = 4

0 , caso contrrio.
importante notar que a hiptese de independncia dos lanamentos da moeda foi

absolutamente fundamental na soluo do exemplo; foi ela que nos permitiu multiplicar as
probabilidades dos resultados de cada lanamento para obter a probabilidade da sequncia
completa de n lanamentos. Embora essa hiptese seja muito razovel nesse exemplo, ainda
assim uma hiptese subjetiva.
Outra propriedade utilizada foi a da probabilidade da unio de eventos mutuamente

exclusivos. Mas aqui essa propriedade bvia, ou seja, no h qualquer subjetividade: os
eventos C1 K2 e K1 C2 so mutuamente exclusivos, pois no primeiro lanamento ou sai cara
ou sai coroa; no pode sair cara e coroa no primeiro lanamento, ou seja, cada lanamento
um experimento de Bernoulli.

Exemplo 3.9 Bolas em uma urna
Uma urna contm quatro bolas brancas e seis bolas verdes. Trs bolas so retiradas dessa
urna, com reposio, isto , depois de tirada a primeira bola, ela recolocada na urna e
sorteia-se a segunda, que tambm recolocada na urna para, finalmente, ser sorteada a
terceira bola. Vamos definir a seguinte varivel aleatria associada a esse experimento:
X = nmero de bolas brancas sorteadas.

Soluo:
O importante a notar aqui o seguinte: como cada bola sorteada recolocada na urna
antes da prxima extrao, a composio da urna sempre a mesma e o resultado de
uma extrao no afeta o resultado de outra extrao qualquer. Dessa forma, em todas
as extraes a probabilidade de bola branca (e tambm bola verde) a mesma e podemos
considerar as extraes como independentes. Assim, temos uma situao anloga do
exemplo anterior: temos trs repeties de um experimento (sorteio de uma bola), essas
repeties so independentes, em cada uma delas h dois resultados possveis bola branca
(sucesso) ou bola verde (fracasso) e as probabilidades de sucesso e fracasso so as mesmas.
Assim, cada extrao equivale a um experimento de Bernoulli e como o interesse est nas
bolas brancas, vamos considerar sucesso = bola branca e da observao anterior resulta que
4
P(sucesso) =
10
Os valores possveis de X so 0, 1, 2, 3, uma vez que so feitas trs extraes. Vamos

calcular a probabilidade de cada um dos valores de X . Como antes, vamos denotar por Vi o
evento bola verde na i-sima extrao e por Bi o evento bola branca na i-sima extrao.
Da discusso anterior, resulta que, para i 6= j, os eventos Vi e Bj so independentes, assim
como os eventos Bi e Bj e os eventos Vi e Vj .
X =0
Esse resultado equivale extrao de bolas verdes em todas as trs extraes.
{X = 0} {V1 V2 V3 }
Logo,
P(X = 0) = P(V1 V2 V3 )
= P(V1 ) P(V2 ) P(V3 )
3
6 6 6 6
= =
10 10 10 10
X =1
Esse resultado equivale extrao de uma bola branca e, por consequncia, duas bolas
verdes. A bola branca pode sair em qualquer uma das trs extraes e, definida a
posio da bola branca, as posies das bolas verdes ficam totalmente estabelecidas.
Logo,
2
4 6
P(X = 1) = 3
10 10
X =2eX =3
Os casos X = 2 e X = 3 so anlogos aos casos X = 1 e X = 0, respectivamente; basta
trocar bola branca por bola verde e vice-versa. Assim,
2 3
4 6 4
P(X = 2) = 3 e P(X = 3) =
10 10 10

Esses dois exemplos ilustram a distribuio binomial, que depende de dois parmetros:
o nmero de repeties n e a probabilidade de sucesso p de cada ensaio de Bernoulli. No
Exemplo 3.8, n = 4 e temos uma probabilidade de sucesso qualquer p. No Exemplo 3.9, n = 3
4
ep= .
10
Nos dois exemplos anteriores, tnhamos repeties de um ensaio de Bernoulli que

podiam ser consideradas independentes e a probabilidade de sucesso p se mantinha constante
ao longo de todas as repeties. Essas so as condies definidoras de um experimento
binomial.
Definio 3.10 Experimento Binomial

Um experimento binomial consiste em repeties independentes de ensaios de Bernoulli
com probabilidade p de sucesso, probabilidade essa que permanece constante em todas
as repeties.
Definio 3.11 Distribuio Binomial

Uma varivel aleatria X tem distribuio Binomial com parmetros n e p quando esta
representa o nmero de sucessos em n ensaios de Bernoulli, independentes, cada um
com probabilidade p de sucesso.
Veja que se X tem distribuio Binomial, ento os valores possveis de X so

0, 1, 2, . . . , n, isto , Im(X ) = {0, 1, 2, . . . , n}. O espao paramtrico para o parmetro n
o conjunto N e para o parmetro p o intervalo [0, 1].
Vamos denotar a distribuio Binomail com parmetros n e p por Binom(n, p). Nesse
caso, se quisermos indicar que uma varivel aleatria X segue a distribuio Binomial com
parmetros n e p podemos simplesmente escrever: X B(n, p) ou X bin(n, p) (l-se: a
varivel aleatria X tem distribuio Binomial com parmetros n e p).
Funo de Probabilidade
Nessa seo ser apresentada a funo de probabilidade de X B(n, p). Para isso
precisamos definir P(X = x) para x = 0, 1, 2, . . . , n. Veja que o evento {X = x} corresponde a
todas as sequncias de resultados com x sucessos e n x fracassos. Como as repeties so
independentes, cada uma dessas sequncias tem probabilidade
px (1 p)nx . O nmero total
n
de tais sequncias dado pelo coeficiente binomial , apresentado na Definio 3.12.
x
Definio 3.12 Coeficiente Binomial

n
Para n e k inteiros define-se o coeficiente binomial como o nmero de maneiras
k
com que k elementos podem ser escolhidos dentro de um total de n elementos. Para
k n esse nmero pode ser calculado por:

n n!
= .
k k!(n k)!

n
Por conveno definimos = 0 quando k > n, pois no h como escolher mais
k
elementos do que o total de elementos disponveis.

n
Veja que pode ser interpretado como o nmero de subconjuntos com k elementos
k
dentro de um conjunto com n elementos. Lembre-se que n! representa o fatorial de n, definido
como n! = n (n 1) (n 2) 2 1. Por definio, 0! = 1.
Dessa forma chegamos na seguinte funo de probabilidade para X B(n, p).

n x
pX (x) = P(X = x) = p (1 p)nx , x = 0, 1, 2, . . . , n. (3.8)
x
Vamos verificar que a expresso apresentada na Equao 3.8 realmente uma funo
de
P probabilidade. Para isso preciso mostrar que pX (x) 0 para qualquer x R e
p
xIm(X ) X (x) = 1. imediato ver, da Equao 3.8, que pX (x) 0. Para mostrar que a
soma das probabilidades 1, usaremos o Teorema 3.13 do binmio de Newton.
Teorema 3.13 Binmio de Newton

Dados dois nmeros reais quaisquer x e a e um inteiro qualquer n, ento
n
n
X n
(x + a) = ak x nk
k
k=0
Vamos agora ao resultado que falta.

n
X X n x ?
pX (x) = p (1 p)nx = (1 + (1 p))n = 1
x
xIm(X ) x=0
?
Onde a passagem = uma aplicao direta do Binmio de Newton, Teorema 3.13.
Assim, a Equao 3.8 realmente define uma funo de probabilidade.
Esperana e Varincia
Vamos calcular primeiro E(X ), para X B(n, p).

n n n
X X n k nk
X n!
E (X ) = k P (X = k) = k p (1 p) = k pk (1 p)nk
k k! k)!
(n
k=0 k=0 k=0
Quando k = 0, a parcela correspondente no somatrio nula. Logo, podemos escrever (note

o ndice do somatrio!):
n n
X n! X n!
E (X ) = k pk (1 p)nk = k pk (1 p)nk
k! (n k)! k (k 1)! (n k)!
k=1 k=1
e como k 6= 0, podemos dividir o numerador e o denominadr por k, o que resulta na

simplificao
n n
X n! X n (n 1)!
E (X ) = pk (1 p)nk = p pk1 (1 p)nk =
(k 1)! (n k)! (k 1)! (n k)!
k=1 k=1
n n
X (n 1)! X n 1 k1
= np pk1 (1 p)nk = np p (1 p)nk
(k 1)! (n k)! k 1
k=1 k=1
Fazendo j = k 1, temos que

k = j +1
k = 1j=0
k = nj =n1
Logo,
n1
X n1 j
E (X ) = np p (1 p)n1j
j
j=0
| {z }
1
Veja que a expresso marcada com chaves igual a 1 pois o somatrio da funo de
probabilidade de uma distribuio binomial com parmetros (n 1) e p para todos os valores
possveis dessa varivel aleatria. Portanto,
X B(n, p) E (X ) = np (3.9)

Vamos, agora, calcular E X 2 . Usando raciocnio anlogo ao usado no clculo da
esperana, temos que:
n n
X n k X n!
E X 2
= k 2
p (1 p)nk = k2 pk (1 p)nk =
k k! (n k)!
k=0 k=1
n
X n!
= k2 pk (1 p)nk =
k (k 1)! (n k)!
k=1
n
X n!
= k pk (1 p)nk =
(k 1)! (n k)!
k=1
n
X n (n 1)!
= k p pk1 (1 p)nk =
(k 1)! (n k)!
k=1
n
X (n 1)!
= np k pk1 (1 p)nk
(k 1)! (n k)!
k=1
Faa a seguinte troca de varivel: j = k 1. Continuando,

n1
X (n 1)!
E(X ) = np (j + 1) pj (1 p)nj1 =
j! (n j 1)!
j=0
n1 n1
X (n 1)! X (n 1)!
= np j pj (1 p)nj1 + np pj (1 p)nj1 =
j! (n j 1)! j! (n 1 j)!
j=0 j=0
n1 n1
n1 j
X
n1j
X n1 j
= np j p (1 p) +np p (1 p)n1j
j j
j=0 j=0
| {z } | {z }
(n1)p 1
O primeiro somatrio a esperana de uma binomial com parmetros (n 1) e p; portanto,

pelo resultado apresentado na Equao 3.9, igual a (n 1) p. J o segundo somatrio a
soma das probabilidades dos valores de uma binomial com esses mesmos parmetros, logo,
igual a 1. Segue, ento, que

E X 2 = np (n 1) p + np 1 = n2 p2 np2 + np
e, portanto,
Var (X ) = E(X 2 ) [E(X )]2 = n2 p2 np2 + np (np)2 = np np2
ou seja,
X B(n, p) Var (X ) = np (1 p) (3.10)
Note que a esperana e a varincia da binomial so iguais esperana e varincia

da distribuio de Bernoulli, multiplicadas por n, o nmero de repeties. Pode-se pensar na
distribuio de Bernoulli como uma distribuio binomial com parmetros n = 1 e p.
Exemplo 3.14 Tiro ao alvo

Um atirador acerta, na mosca do alvo, 20% dos tiros. Se ele d 10 tiros, qual a probabilidade
de ele acertar na mosca no mximo uma vez?
Soluo:
Podemos pensar os tiros como experimentos de Bernoulli independentes, em que o sucesso
acertar no alvo e a probabilidade de sucesso 0,20. Ento, o problema pede P(X 1), em
que X = nmero de acertos em 10 tiros. Logo, X bin(10; 0, 20) e
P(X 1) = P(X = 0) + P(X = 1)

10 0 10 10
= (0, 20) (0, 80) + (0, 20)1 (0, 80)9
0 1
= 0, 37581

Exemplo 3.15 Partidas de um jogo

Dois adversrios A e B disputam uma srie de oito partidas de um determinado jogo. A
probabilidade de A ganhar uma partida 0,6 e no h empate. Qual a probabilidade de A
ganhar a srie?
Soluo:
Note que s podem ocorrer vitrias ou derrotas, o que significa que temos repeties de um
experimento de Bernoulli com probabilidade 0,6 de sucesso (vitria do jogador A). Assumindo
a independncia das provas, se definimos X = nmero de vitrias de A, ento X bin(8; 0, 6)
e o problema pede P (X 5) , isto , probabilidade de A ganhar mais partidas que B.
P (X 5) = P (X = 5) + P (X = 6) + P (X = 7) + P (X = 8)

8 8
= (0, 6)5 (0, 4)3 + (0, 6)6 (0, 4)2 +
5 6

8 7 1 8
+ (0, 6) (0, 4) + (0, 6)8 (0, 4)0
7 8
= 0, 5940864

Exemplo 3.16 Parmetros da binomial

Em uma distribuio binomial, sabe-se que a mdia 4,5 e a varincia 3,15. Encontre os
valores dos parmetros da distribuio.
Soluo:
Temos que
np = 4, 5
np(1 p) = 3, 15
Substituindo a primeira equao na segunda, resulta
4, 5(1 p) = 3, 15
1 p = 0, 7
p = 0, 3
Substituindo na primeira equao, obtemos que
n = 4, 5/0, 3 = 15.

Forma da Distribuio Binomial
Se X bin(n; p), ento temos

n!
pk+1 (1 p)nk1
P(X = k + 1) (k + 1)!(n k 1)!
n!
=
P(X = k)
pk (1 p)nk
k!(n k)!
nk p
= k = 0, 1, . . . , n
k +11p
nk p
P(X = k + 1) = P(X = k) (3.11)
k +11p
Temos, asim, uma forma recursiva de calcular probabilidades binomiais.
Suponhamos, agora, que a probabilidade mxima ocorra em k0 . Usando o resultado

acima, temos que ter
P(X = k0 + 1) n k0 p
1 1 np k0 p k0 k0 p + 1 p
P(X = k0 ) k0 + 1 1 p
np k0 + 1 p k0 p(n + 1) 1
Analogamente, temos que ter

P(X = k0 ) (n (k0 1)) p
1 1 np k0 p + p k0 k0 p
P(X = k0 1) k0 1p
k0 p(n + 1)
Resulta, ento, que se k0 ponto de mximo, ento
p(n + 1) 1 k0 p(n + 1)
e como k0 tem que ser inteiro, temos que ter
k0 = [p(n + 1)] (3.12)
em que [x] representa o maior inteiro menor ou igual a x. Por exemplo, se n = 7 e p = 0, 2,

temos que ter 0, 2 8 1 k0 0, 2 8, ou seja, 0, 6 k0 1, 6 e o ponto de mximo ocorre
em k0 = 1.
Note que, se p(n + 1) for inteiro, ento a distribuio bimodal, com moda em k01 =
p(n + 1) e k02 = p(n + 1) 1 pois
P (X = p(n + 1)) P(X = np + p) n (np + p 1) p

= =
P (X = p(n + 1) 1) P(X + np + p 1 np + p 1p
n np p + 1 p (n + 1) p(n + 1)
= =
p(n + 1) 1p (n + 1)(1 p)
(n + 1)(1 p
= =1
(n + 1)(1 p)
Para o caso em que p = 0, 5, esses resultados implicam que a distribuio ser unimodal
quando n + 1 for mpar e bimodal quando n + 1 for par, ou seja, se p = 0, 5, a distribuio
unimodal para n par e bimodal para n mpar. Alm disso, se p = 0, 5, a distribuio ser
simtrica, pois

n k nk n
P(X = k) = 0, 5 (1 0, 5) = 0, 5nk (1 0, 5)n(nk) = P(X = n k)
k nk
Esses resultados esto ilustrados na Figura 3.3, onde temos grficos da distribuio
binomial para diferentes valores dos parmetros n e p. Note que a distribuio assimtrica
quando p 6= 0, 5 e a assimetria positiva quando p < 0, 5 e negativa quando p > 0, 5.
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
(a) B(n = 10, p = 0, 5) (b) B(n = 7, p = 0, 5)
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
(c) B(n = 7, p = 0, 2) (d) B(n = 7, p = 0, 8)
Figura 3.3 Funo de Probabilidade da Distribuio Binomial.
3.5 Distribuio Hipergeomtrica
Assim como na seo anterior, nessa comear esta com um exemplo antes da
formalizao da nova distribuio.
3.5. DISTRIBUIO HIPERGEOMTRICA 63
Exemplo 3.17 Bolas em uma urna

Considere a situao do Exemplo 3.9, em que 3 bolas eram retiradas de uma urna composta por
4 bolas brancas e 6 bolas verdes. Naquele exemplo, as extraes eram feitas com reposio.
Vamos supor, agora, que as extraes sejam feitas sem reposio. Vamos definir novamente
a varivel aleatria:
X = nmero de bolas brancas sorteadas.
Soluo:
No exemplo 3.9 as bolas eram retiradas com reposio, agora estamos supondo que as
extraes sejam feitas sem reposio. O que muda? A primeira observao a de que as
probabilidades em cada extrao dependem das extraes anteriores, ou seja, no temos mais
independncia ou probabilidades constantes. A segunda observao que cada subconjunto
de 3 bolas igualmente provvel, j que as extraes so aleatrias. O nmero total de
subconjuntos de 3 bolas retiradas das 10 bolas da urna 10
3 e, portanto, cada subconjunto
1
tem probabilidade 10 .
3
Vamos considerar, novamente, a varivel aleatria X que representa o nmero de bolas

brancas extradas. Como h 6 bolas verdes na urna, possvel que todas as trs bolas
extradas sejam verdes, isto , X = 0 o valor mnimo. No outro extremo, como h 4 brancas
na urna, possvel que todas as bolas extradas sejam brancas, ou seja, X = 3 o valor
mximo. possvel obter, tambm, 1 ou 2 bolas brancas. Logo, os valores possveis de X so
0, 1, 2, 3. Vamos calcular a probabilidade de cada um desses valores.
X =0
Ter 0 bola branca na amostra, significa que todas as 3 bolas so verdes. Como h 6
bolas vedes, o nmero de maneiras que podemos retirar 3 bolas verdes dado por 63 .
Logo, 6
3
P(X = 0) = 10

3
X =1
Ter 1 bola branca na amostra, significa que as outras 2 so verdes. Como h 4 bolas
brancas, o nmero de maneiras que podemos retirar 1 bola branca dado por 41 .
Analogamente, como
h 6 bolas verdes, o nmero de maneiras que podemos retirar 2
bolas verdes 62 . Pelo Princpio Fundamental da Multiplicao, o nmero de maneiras

que podemos retirar 1 bola branca e 2 bolas verdes 41 62 . Logo,

4
1 62
P(X = 1) = 10

3
X =2eX =3
Analogamente,

4
2 61 4
3 60
P(X = 2) = 10
e P(X = 3) = 10

3 3
Suponhamos que nossa amostra seja, agora, de 5 bolas. Como s h 4 bolas brancas,
no possivel obter uma amostra formada apenas por bolas brancas. Mas, vamos pensar, por
um momento, que pudssemos ter X = 5. Seguindo o raciocnio anterior, teramos que

5 0
4 6
P(X = 5) = 10
=0
5

uma vez que = 0, j que 4 < 5, veja a Definio 3.12 de coeficiente binomial. Isso resulta
4
5
numa probabilidade nula para o evento impossvel X = 5.

A generalizao do contexto do exemplo anterior a seguinte: temos uma populao

de tamanho N (a urna com as bolas) dividida em 2 classes (duas cores). A classe que
estamos interessados em observar ser considerada sucessos e a outra fracassos. Seja
r o nmero de indivduos da classe sucesso entre os N indivduos da populao, logo a classe
fracasso possui N r indivduos. Dessa populao vamos extrair uma amostra de tamanho n
sem reposio. A varivel aleatria de interesse
X = nmero de sucessos na amostra.
Essa varivel aleatria tem distribuio Hipergeomtrica, como mostra a Definio 3.18 abaixo.
Definio 3.18 Distribuio Hipergeomtrica

Uma varivel aleatria X tem distribuio Hipergeomtrica com parmetros N, r e n
quando esta representa o nmero de sucessos dentro de uma amostra de tamanho n
extrada, sem reposio, de uma populao de tamanho N formada por r sucessos e
N r fracassos.
Vamos primeiro analisar o espao paramtrico para os parmetros N, r e n. Como N o

tamanho da populao, ento N N. Como n o tamanho da amostra retirada da populao
de tamanho N, ento 0 n N. Por ltimo, o parmetro r indica o nmero de sucessos
dentro da populao de tamanho N, ento 0 r N.
Para determinar os valores possveis de X , isto , Im(X ), temos que considerar diferentes
possibilidades para a composio da populao em termos dos nmeros de sucessos e
fracassos relativos ao tamanho da amostra.
Se for possvel ter uma amostra s com sucessos ou s com fracassos, isto , se r n
e N r n, ento os possveis valores de X variam de 0 (amostra formada s por
fracassos) a n (amostra formada s por sucessos).
Se for possvel ter uma amostra s com sucessos, mas no s com fracassos, isto , se
r n e N r < n, ento o nmero mximo de fracassos na amostra N r e, portanto,
o nmero mnimo de sucessos n (N r). Logo, os valores de X variam de n (N r)
a n.
Se for possvel ter uma amostra s com fracassos, mas no s com sucessos, isto , se
N r > n e r < n, ento o nmero mnimo de sucessos na amostra 0 e o nmero
mximo r.
Vejamos algumas situaes que ilustram os itens destacados acima.
Se N = 6, n = 3, r = 3 n r e N r = 6 3 = 3 n = 3. Ento podemos ter uma

amostra s com sucesso ou s com fracasso. Nesse caso Im(X ) = {0, 1, 2, 3}. De forma
geral, Im(X ) = {0, . . . , n}.
Se N = 6, n = 3, r = 4 n r e N r = 6 4 = 2 < n. Ento o nmero mximo

de fracassos na amostra N r = 2, logo no mnimo temos que ter n (N r) = 1
secesso, ou seja, Im(X ) = {1, 2, 3}. De forma geral, Im(X ) = {n (N r), . . . , n}.
Se N = 6, n = 3, r = 2 r < n e N r = 6 2 = 4 n. Ento o nmero

mximo de sucessos na amostra r = 2, ou seja, Im(X ) = {0, 1, 2}. De forma geral,
Im(X ) = {0, . . . , r}.
Vamos denotar a distribuio Hipergeomtrica com parmetros N, r e n por X

hiper(N, r, n) ou X Hgeo(N, r, n). Nesse caso, se quisermos indicar que uma varivel
aleatria X segue a distribuio Hipergeomtrica com parmetros N, r e n podemos
simplesmente escrever: X hiper(N, r, n) ou X Hgeo(N, r, n) (l-se: a varivel aleatria
X tem distribuio Hipergeomtrica com parmetros N, r e n). Ateno: alguns livros usam
letras diferentes para representar cada parmetro.
O nmero total de amostras de

N
tamanho n que podem ser extradas de uma populao
de tamanho N, sem reposio, n . Note que isso equivale ao nmero de subconjuntos de
tamanho n do conjunto universo de tamanho N.
Para calcular a probabilidade de k sucessos na amostra, P(X = k), vamos considerar

as 3 situaes anteriores:
Sucessos e fracassos suficientes: r n e N r n.

H kr maneiras de tirarmos k sucessos e Nr

nk maneiras de tirar os fracassos que
completam a amostra. Logo,

r N r
k nk
P (X = k) = (3.13)
N
n
e nesse caso, os valores de k vo de 0 a n.
Sucessos suficientes, mas no fracassos: r n e N r < n.

Vimos que os valores de X variam de n(N r) a n. Para qualquer valor k < n(N r), o
coeficiente binomial Nr
nk ser 0, pela Definio 3.12. Por exemplo, se k = n(N r)1,
resulta
N r N r N r
= = =0
nk n [n (N r) 1] N r+1
Ento, ainda podemos usar a Equao 3.13 para calcular as probabilidades,
considerando k variando de 0 a n.
Fracassos suficientes, mas no sucessos: N r > n e r < n.

Vimos que os valores X variam de 0 a r. Para qualquer valor k > r, o coeficiente
binomial kr ser 0, pela Definio 3.12. Ento, ainda podemos usar a Equao 3.13
para calcular as probabilidades, considerando k variando de 0 a n.
Resumindo, se X hiper(N, r, n) ento a sua funo de probabilidade definida por:

r N r
x nx
pX (x) = P(X = x) = x = 0, . . . , n (3.14)
N
n
Para provar que a Equao 3.14 realmente define uma funo de probabilidade, note
inicialmente que P (X = x) 0 P
x R. Alm disso temos que provar que a probabilidade do
espao amostral 1, isto , que x|xIm(X ) P (X = x) = 1, ou seja
n

r N r

r N r P
n n
x=0 x nx

X x nx X r N r N
= 1 = = 1 = =
N N x nx n
x=0 k=0
n n
Ento basta provar
n
X r N r N
= . (3.15)
k nx n
x=0
Para tal, vamos precisar do resultado apresentado na Proposio 3.19 a seguir.

Proposio 3.19 Frmula de Euler
Sejam m, n e s inteiros tais que s < n + m. Ento verdade que:
s
X m n m+n
=
k sk s
k=0
Demonstrao:
Veja que se m = 0 e n = 0 a igualdade trivialmente satisfeita. Vamos analisar ento o caso
em que m > 0 ou n > 0.
Seja C um conjunto no vazio com m + n elementos. Veja que C pode ser partido em
dois conjuntos disjuntos com m e n elementos, respectivamente. Vamos denotar tais conjuntos
por Cn e Cm , onde Cn tem n elementos, Cm tem m elementos, Cn Cm = e Cn Cm = C .

m
Fixando 0 k s, veja que representa o nmero de subconjuntos de Cm com
k
n
k elementos e representa o nmero de subconjuntos de Cn com s k elementos.
s k

m n
Logo, representa o nmero de subconjuntos de C com s elementos tais que k
k sk
elementos pertencem Cm e os outros s k elementos pertencem Cm .
s

P m n
Ento, representa o nmero de subconjuntos de C com s elementos,
k=0 k sk

m+n
isto , .
s

Podemos ver que a Equao 3.15 nada mais que a frmula de Euler com k = x, m = r,
n = N r e s = n, o que resulta que
n
X r N r r+N r N
= =
k nk n n
k=0
e isso completa prova de que a Equao 3.14 realmente define uma funo de probabilidade.
Esperana e Varincia
Nessa seo iremos calcular a esperana e varincia de X hiper(N, r, n). Vamos

comear pelo clculo de E(X ).

r N r r N r
n n
X x nx ? X x nx
E (X ) = x = x
N N
x=0 x=1
n n
?
Na passagem = acontece a mudana do ndice pois quando x = 0 o somatrio se anula.
Continuando,

r N r
n n
X x nx 1 X r N r
E (X ) = x = x =
N N x nx
x=1 x=1
n n
n n
1 X r! N r 1 X r(r 1)! N r
= x = x
N x! (r x)! n x N x(x 1)! (r x)! n x
x=1 x=1
n n
Como x 6= 0 podemos simplificar a expresso acima e seguir com as contas abaixo.

n n
1 X r(r 1)! N r r X (r 1)! N r
E (X ) = =
N (x 1)! (r x)! n x N (x 1)! (r x)! n x
x=1 x=1
n n
Faremos agora a seguinte troca de varivel no somatrio: y = x 1.
n1 n1
r X (r 1)! N r r X r1 N r
E (X ) = =
N y! (r 1 y)! n 1 y N y n1y
y=0 y=0
n n | {z }
?
Veja que na expresso destacada por ? podemos aplicar a Frmula de Euler, Proposio 3.19,
com n = N r, m = r 1, s = n 1. Assim seguimos com

r N 1 n! (Nn)!

(N 1)! rn 1)!
(n (N1)!

rn
E (X ) = =r =
=
N n1 N! (n 1)!
(N n)!

N(N 1)!
1)!
(n
N
n
Logo,
r
X hiper(N, r, n) E (X ) = n (3.16)
N
Vamos agora calcular E(X 2 ).

r N r r N r
n n
X x nx ? X 2 x nx
E X2 = x2 = x
N N
x=0 x=1
n n
?
Novamente, na passagem = acontece a mudana do ndice pois quando x = 0 o somatrio se
anula. Continuando,

r N r
n n n
X x nx 1 X 2 r N r 1 X 2 r(r 1)! N r
E X2 = x2 = x = x
N N x nx N x(x
1)! (r x)! n x
x=1 x=1 x=1
n n n
Como x 6= 0 podemos simplificar a expresso acima. As contas abaixo segue j com a troca
de varivel y = x 1 e com a retirada da constante r de dentro do somatrio.
n1 n1
r X (r 1)! N r r X r1 N r
E(X ) = (y + 1) = (y + 1)
N y! (r 1 y)! n 1 y N y n1y
y=0 y=0
n n

n1 X n1
r X r1 N r r1 N r
= y +
N y n1y y n1y
y=0 y=0
n

N 1 n1 r 1 N 1 (r 1) r 1 N 1 (r 1)
r n1

n1 X j n j X j n j
j
1 1
= +
N N 1 N 1

j=0 j=0
n n1 n1
| {z } | {z }
S1 S2
Mas o primeiro somatrio a esperana de uma hipergeomtrica com parmetros N

r1
1, n 1 e r 1, ou seja, S1 = (n 1) N1 . J o segundo somatrio a soma das probabilidades
no espao amostral de uma hipergeomtrica com os mesmos parmetros, ou seja, S2 = 1.
Segue, ento, que

N 1
r n1 r1

rn (n 1) (r 1) + N 1
E X = 2 (n 1) +1 =
N N 1 N N 1
n
e, portanto,
rn (n 1) (r 1) + N 1 n2 r 2
Var (X ) = E(X 2 ) E(X )2 =
N N 1 N
2

rn (n 1) (r 1) + N 1 nr rn nr n r + 1 + N 1 nr
= =
N N 1 N N N 1 N

rn nr n r + N nr rn Nnr nN Nr + N 2 Nnr + nr
= =
N N 1 N N N (N 1)

rn nN Nr + N + nr2 r N (N n) r (N n) r (N n) (N r)
= =n =n
N N (N 1) N N (N 1) N N (N 1)
Ou seja,
r N rN n
X hiper(N, r, n) Var (X ) = n (3.17)
N N N 1
Exemplo 3.20 Equipe de programadores
Entre os 16 programadores de uma empresa, 12 so do sexo masculino. A empresa
decide sortear 5 programadores para fazer um curso avanado de programao. Qual a
probabilidade dos 5 sorteados serem do sexo masculino? Quantos
3.6. DISTRIBUIO GEOMTRICA 69
Soluo:
Sucesso = sexo masculino. Se X = nmero de homens sorteados, ento X hiper(16; 12; 5)
e o problema pede

12 11 10 9 8
12
5 33
Pr (X = 5) = = = = 0, 181319
16 15 14 13 12 14 13
16

5

Distribuio Binomial versus Distribuio Hipergeomtrica
Vamos fazer agora algumas comparaes entre as distribuies binomial e

hipergeomtrica, considerando que elas descrevem a extrao de amostra de tamanho n.
No contexto da binomial, a amostra retirada com reposio, enquanto na hipergeomtrica
as extraes so feitas sem reposio.
A esperana da binomial igual ao produto do tamanho da amostra pela probabilidade

de sucesso; Na hipergeomtrica, a esperana tambm o produto do tamanho da amostra
pela probabilidade de sucesso, probabilidade essa tomada apenas na primeira extrao.
A varincia da binomial igual ao produto do tamanho da amostra pelas probabilidades

de sucesso e fracasso. Na hipergeomtrica, considerando apenas a primeira extrao, a
N n
varincia igual a esse produto, mas corrigido pelo fator .
N 1
Em pesquisas estatsticas por amostragem, normalmente lidamos com amostragem sem
reposio. No entanto, os resultados tericos sobre amostragem com reposio so bem mais
simples, pois envolvem variveis independentes); assim, costuma-se usar uma aproximao,
sempre que possvel. Ou seja, quando a populao (tamanho N) suficientemente grande
(de modo que podemos encar-la como uma populao infinita) e o tamanho da amostra
relativamente pequeno, podemos ignorar o fato de as extraes serem feitas sem reposio.
Lembre-se que a probabilidade em extraes sucessivas so N1 , N1
1
, . . . , Nn
1
. Ento, se N
grande e n pequeno, temos que N N 1 N n. Nessas condies, extraes
com e sem reposio podem ser consideradas como equivalentes. O termo que aparece na
varincia da hipergeomtrica, Nn
N1 , chamado correo para populaes finitas, exatamente
porque, se a populao pequena, no podemos ignorar o fato de as extraes estarem sendo
feitas sem reposio.
3.6 Distribuio Geomtrica
Considere as seguintes situaes: (i) uma moeda com probabilidade p de cara lanada
at que aparea cara pela primeira vez; (ii) em uma populao muito grande (pense na
populao mundial), p% das pessoas sofrem de uma rara doena desconhecida e portadores
precisam ser encontrados para estudos clnicos. Quais so as semelhanas entre essas
daus situaes? No primeiro caso, matematicamente falando, poderamos ter que fazer
infinitos lanamentos. No segundo caso, muito grande pode ser uma aproximao para
infinitos. Em ambos os casos, temos repeties de um experimento de Bernoulli. No primeiro
caso, as repeties certamente podem ser consideradas independentes. No segundo caso,
tambm podemos assumir independncia, desde que esqueamos os fatores genticos por um
momento. Ento, temos repeties independentes de um experimento de Bernoulli e estamos
interessados no nmero de repeties at a ocorrncia do primeiro sucesso (cara no caso da

moeda, pessoa portadora no estudo epidemiolgico).
Vamos, agora, formalizar a definio de tal varivel e obter a sua funo de

probabilidade. Consideremos, ento, repeties independentes de um experimento de
Bernoulli com probabilidade p de sucesso. Vamos definir a varivel aleatria que representa
o nmero de repeties at a ocorrncia do primeiro sucesso.
Definio 3.21 Distribuio Geomtrica

Uma varivel aleatria X tem distribuio Geomtrica com parmetro p quando esta
representa o nmero tentativas at a ocorrncia do primeiro sucesso em consecutivos
ensaios de Bernoulli independentes, cada um com probabilidade p de sucesso.
Veja que os possveis valores dessa varivel aleatria so: 1 (primeiro sucesso na
primeira repetio), 2 (primeiro sucesso na segunda repetio e, portanto, fracasso na
primeira), 3 (primeiro sucesso na terceira repetio e, portanto, fracasso nas duas primeiras),
etc. Logo, Im(X ) = N. Esse um exemplo de v.a. discreta em que o espao amostral,
enumervel, infinito.
O espao paramtrico para o parmetro p o intervalo [0, 1], uma vez que p a
probabilidade de sucesso em cada ensaio de Bernoulli realizado.
As caractersticas definidoras desse modelo so: (i) repeties de um mesmo

experimento de Bernoulli, o que significa que em todas elas a probabilidade de sucesso
(e, portanto, de fracasso) a mesma e (ii) as repeties so independentes. No caso do
lanamento de uma moeda essas hipteses so bastante plausveis mas no caso da doena a
hiptese de independncia pode no ser satisfeita; por exemplo, pode haver um componente
de hereditariedade.
Vamos denotar a distribuio Geomtrica com parmetro p por Geom(p). Nesse caso,
se quisermos indicar que uma varivel aleatria X segue a distribuio Geomtrica com
parmetro p podemos simplesmente escrever: X Geom(p) (l-se: a varivel aleatria
X tem distribuio Geomtrica com parmetro p).
Para calcular a probabilidade do evento X = x, x = 1, 2, 3, . . ., devemos notar que tal

evento corresponde ocorrncia de fracassos nas x 1 primeiras repeties e sucesso na
x-sima repetio. Denotando por Fi e Si a ocorrncia de fracasso e sucesso na i-sima
repetio respectivamente, temos a seguinte equivalncia de eventos:
{X = x} = {F1 F2 Fx1 Sx }
Como as repeties so independentes, segue que
P (X = x) = P (F1 F2 Fx1 Sx ) = P (F1 ) P (F2 ) P (Fx1 ) P (Sx ) =

= (1 p) (1 p) (1 p) p
Ou seja, se X Geom(p) a sua funo de probabilidade definida por:
pX (x) = P(X = x) = (1 p)x1 p x = 1, 2, 3, . . . (3.18)

Para mostrar que a Equao 3.18 realmente define uma funo de probabilidade, temos
que mostrar que a soma das probabilidades, isto , a probabilidade do espao amostral 1
(obviamente, P(X = x) 0). Para isso faremos uso do resultado sobre sries geomtricas
apresentado a seguir.
Proposio 3.22 Srie Geomtrica

r i diverge se |r| 1 e converge se |r| < 1. Temos tambm que
P
A srie geomtrica
i=0

X
ri =
1
se | r | < 1.
1r
i=0
Demonstrao:
A demonstrao encontra-se na Seo A.1 do Apndice A.

P
Vamos s contas. Queremos mostrar que P(X = x) = 1.
x=1

X
X
X
P(X = x) = (1 p)x1 p = p (1 p)x1 .
x=1 x=1 x=1
Fazendo y = x 1, temos que quando x = 1 y = 0 e quando x = y = .

Portanto,
X
X
P(X = x) = p (1 p)y
x=1 y=0
Usando o resultado da Proposio 3.22 com r = 1 p, obtm-se que:

X 1
P(X = x) = p =1
1 (1 p)
x=1
como queramos mostrar.
Esperana e Varincia
Nessa seo iremos calcular a esperana e varincia de X Geom(p). Vamos comear

pelo clculo de E(X ).

X
X
X
X
E(X ) = xp(1 p)x1 = (x 1 + 1)p(1 p)x1 = (x 1)p(1 p)x1 + p(1 p)x1
x=1 x=1 x=1 x=1
| {z }
S1
Veja que S1 = 1, pois trata-se da soma da funo de probabilidade para todos os valores em
Im(X ) para X Geom(p). Seguimos ento fazendo a seguinte troca de varivel: y = x 1.

X
y ? X
y
X
y1
X
E(X ) = yp(1p) +1 = yp(1p) +1 = yp(1p)(1p) +1 = (1p) yp(1 p)y1 +1
y=0 y=1 y=1 y=1
| {z }
S2
?
A passagem = justificada pois quando y = 0 o somatrio se anula. Veja que S2 justamente
E(X ) para X Geom(p), isto , aquilo que estamos calculando. Ento podemos escrever.
1
E(X ) = (1 p) E(X ) + 1 (1 1 + p) E(X ) = 1 E(X ) =
p
Logo,
1
X Geom(p) E(X ) = (3.19)
p
Vamos calcular agora E(X 2 ).

X
X
E(X 2 ) = x 2 p(1 p)x1 = (x 1 + 1)2 p(1 p)x1
x=1 x=1

X
= ((x 1)2 + 2(x 1) + 1)p(1 p)x1
x=1

X
X
X
= (x 1)2 p(1 p)x1 + 2(x 1)p(1 p)x1 + p(1 p)x1
x=1 x=1 x=1
| {z } | {z } | {z }
S1 S2 S3
Veja primeiro que S3 = 1. Vamos calcular S1 e S2 separadamente.

!
X X X
S2 = 2(x 1)p(1 p)x1 = 2 xp(1 p)x1 p(1 p)x1
x=1 x=1 x=1

1 (1 p)
= 2 (E(X ) 1) = 2 1 =2
p p
Para seguir com as contas de S1 faremos a troca de varivel y = x 1.

X
X
X
x1 y
S1 = (x 1) p(1 p)
2
= y p(1 p) =
2
y2 p(1 p)y
x=1 y=0 y=1
X
X
= y2 p(1 p)(1 p)y1 = (1 p) y2 p(1 p)y1 = (1 p) E(X 2 )
y=1 y=1
Assim seguimos com,

E(X 2 ) = (1 p) E(X 2 ) + 2 (1p)
p +1
(1 1 + p) E(X 2 ) = 22p+p
p
p E(X 2 ) = p
2p
E(X 2 ) = 2p
p2
.
Do resultado acima segue que

2p 1 1p
Var(X ) = E(X 2 ) [E(X )]2 = 2 = .
p 2 p p2
Logo,
1p
X Geom(p) Var(X ) = (3.20)
p2
Exemplo 3.23 Tiro ao alvo

Um atirador acerta na mosca do alvo, 20% dos tiros. Qual a probabilidade de ele acertar na
mosca pela primeira vez no 10o tiro? E quantos tiros sero dados em mdia at que o atirador
acerte na mosca?
Soluo:
Podemos pensar os tiros como experimentos independentes de Bernoulli (acerta ou no
acerta). A probabilidade de sucesso (acertar no alvo) p = 0, 20. Estamos querendo
o nmero de tiros at o primeiro acerto e calcular a probabilidade de que esse nmero
seja 10. Seja X = nmero de tiros at primeiro acerto. Ento, X Geom(0, 20) e
P (X = 10) = 0, 89 0, 2 = 0, 02684.
Como j identificamos X Geom(0, 20), para calcular o nmero mdio de tiros que o
atirador far basta usar o resultado da Equao 3.19 e calcular E(X ).
1 1
E(X ) = = = 5.
p 0, 20

Exemplo 3.24 Lanamento de dado
Joga-se um dado equilibrado. Qual a probabilidade de serem necessrios 10 lanamentos
at a primeira ocorrncia de um seis?
Soluo:
Nesse caso, sucesso a ocorrncia de face seis. Logo, P(sucesso) = p = 16 e P(fracasso) =

1 p = 56 . Seja X = nmero de lanamentos at o primeiro seis. Ento, X geom 16 e o
9 1
problema pede P (X = 10) = 65 6 = 0, 03230.

Forma Alternativa da Distribuio Geomtrica
Em vez de definir a varivel geomtrica como o nmero de repeties at primeiro

sucesso, podemos usar a seguinte definio alternativa:
Y = nmero de fracassos antes do primeiro sucesso
Neste caso, a distribuio de Y
P(Y = k) = (1 p)k p k = 0, 1, 2, . . . (3.21)
Em termos da varivel geomtrica X apresentada anteriormente na Definio 3.21, podemos

ver que
Y =X 1
e essa distribuio de probabilidade , s vezes, chamada distribuio geomtrica deslocada
(em ingls, shifted geometric distribution). Usando essa relao entre X e Y e conhecendo as
propriedades de esperana e varincia apresentadas nas Proposies 2.26 e 2.34, podemos
rapidamente calcular E(Y ) e Var(Y ):
1 1p
E(Y ) = E(X ) 1 = 1=
p p
1p
Var(Y ) = Var(X ) =
p2
Propriedade de Falta de Memria
Nessa seo vamos apresentar o conceito de falta de memria de uma varivel aleatria
discreta. Em seguida vamos mostrar que a distribuio geomtrica segue tal propriedade.
Definio 3.25 Propriedade de Falta de Memria - v.a. Discreta

Seja X uma varivel aleatria discreta e m e n nmeros reais quaisquer. Se,
P(X = m + n | X > m) = P(X = n)
ento dizemos que X tem a propriedade de falta de memria.
Queremos mostrar nessa seo que uma varivel aleatria com distribuio geomtrica
tem a propriedade de falta de memria. Seja X geo(p) e x m(X ), isto , x um inteiro
positivo. Ento,
x
X x
X
P(X > x) = 1 P(X x) = 1 P(X = i) = 1 p(1 p)i1
i=1 i=1
x x1
X ? X
= 1p (1 p)i1 = 1 p (1 p)j
i=1 j=0
| {z }
S1
?
Na passagem = foi feita a seguinte troca de varivel: j = i 1. O somatrio S1 a soma at
o termo x 1 de uma progresso geomtrica, e, de acordo com a Equao A.2 do Apndice A,
1 (1 p)x1+1 1 (1 p)x
conclumos que S1 = = . Continuando,
p p
1 (1 p)x

P(X > x) = 1 p = 1 (1 (1 p)x ) = (1 p)x .
1 (1 p)
Agora j possvel mostrar que X geo(p) tem a propriedade da falta de memria.

Para simplificar as contas, suponha a e inteiros positivos, ento
P(X = m + n) p(1 p)m+n1

P(X = m + n | X > m) = = p(1 p)n1 = P(X = n).
(1 p)m
=
P(X > m)
Na prtica isso significa que se j foram realizados m ensaios de Bernoulli sem nenhum
sucesso, a probabilidade do primeiro sucesso ocorrer no m + n-simo ensaio exatamente
a probabilidade do primeiro sucesso ocorrer no n-simo ensaio, contado desde o incio do
experimento. Ou seja, se jogamos uma moeda 5 vezes a no saiu nenhuma cara, no significa
que tem mais chance de sair cara no prximo lanamento do que no 1o lanamento do
experimento.
3.7 Distribuio Binomial Negativa
Consideremos novamente repeties independentes de um experimento de Bernoulli com

probabilidade p de sucesso. Vamos considerar agora uma generalizao da v.a. geomtrica,
3.7. DISTRIBUIO BINOMIAL NEGATIVA 75
no seguinte sentido: em vez de fixarmos o primeiro sucesso, vamos fixar um nmero qualquer
r de sucessos, ou seja, definimos
X = nmero de repeties necessrias at a obteno do r-simo sucesso, r 1.
Note que r = 1 corresponde distribuio geomtrica.
Definio 3.26 Distribuio Binomial Negativa

Uma varivel aleatria X tem distribuio Binomial Negativa com parmetros r e p
quando esta representa o nmero tentativas at a ocorrncia do r-simo sucesso em
consecutivos ensaios de Bernoulli independentes, cada um com probabilidade p de
sucesso.
OBS: Essa distribuio tambm conhecida como distribuio de Pascal.
Para definir os possveis valores de X , isto , Im(X ), devemos notar que para ter r
sucessos, so necessrios no mnimo r repeties. Logo, Im(X ) = r, r + 1, r + 2, . . . . Esse
mais um exemplo de v.a. discreta cuja imagem um conjunto infinito.
Veja que o parmetro r pode assumir qualquer valor inteiro positivo, logo seu espao
paramtrico o conjunto N . J para o parmetro p, o espao paramtrico o intervalo [0, 1],
uma vez que p a probabilidade de sucesso em cada ensaio de Bernoulli realizado
Vamos denotar a distribuio Geomtrica com parmetros r e p por BinNeg(r, p).

Nesse caso, se quisermos indicar que uma varivel aleatria X segue a distribuio Binomial
Negatova com parmetros r e p podemos simplesmente escrever: X BinNeg(r, p) (l-se: a
varivel aleatria X tem distribuio Binomial Negativa com parmetros r e p).
O evento {X = k} indica que foram necessrias k repeties para obter r sucessos e,

portanto, k r fracassos. Pela definio da varivel, a ltima repetio resultou em sucesso e
os outros r 1 sucessos podem estar em quaisquer das k 1 posies restantes (veja Figura
3.4).
k - 1 repeties e r - 1 sucessos aqui

r S
X = k repeties
Figura 3.4 Ilustrao dos resultados da binomial negativa
Uma sequncia possvel de resultados ter os r 1 sucessos nas primeiras posies,

os k r fracassos nas posies seguintes e o ltimo sucesso na ltima posio:
S1 , . . . , Sr1 , Fr , . . . , Fk1 , Sk
A probabilidade de tal sequncia dada pelo produto das probabilidades, j que as repeties
so independentes, isto :
P (S1 . . . Sr1 Fr . . . Fk1 Sk ) =

P (S1 ) P (Sr1 ) P (Fr ) P (Fk1 ) P (Sk ) =
p p (1 p) (1 p) p = pr (1 p)kr
Mas existem k1

r1 maneiras de arrumar r 1 sucessos em k 1 posies e as sequncias
resultantes tm todas a probabilidade acima. Como elas constituem eventos mutuamente
exclusivos, a probabilidade da unio delas, que P (X = k) , a soma das probabilidades, ou
seja:
P (X = k) = pr (1 p)kr + pr (1 p)kr + + pr (1 p)kr
em que o nmero de parcelas k1

r1 . Logo

k 1 r
P (X = k) = p (1 p)kr k r
r1
Ou seja, se X BinNeg(p) a sua funo de probabilidade definida por:

x 1 r
pX (x) = P(X = x) = p (1 p)xr xr (3.22)
r1
Como nas sees anteriores, queremos agora mostrar que a Equao 3.22 realmente
define uma funo de probabilidade. Como P (X = x) 0, para todo x R, fica faltando
apenas mostrar que

X X x 1 r
P (X = x) = p (1 p)xr = 1.
x=r x=r
r 1
Vamos s contas. Fazendo x r = j, temos que x = r + j e x = r j = 0. Logo

X X r+j 1 r j r
X r1+j
P (X = x) = p (1 p) = p (1 p)j
x=r
r 1 r 1
j=0 j=0
Usando o resultado da Equao A.11) do Apndice A.1, com k = r 1 e r = 1 p, obtemos

que:
X
P (X = x) = pr
1
[1 (1 p)]r1+1
=1
x=r
Na distribuio binomial negativa, o nmero de repeties do experimento de Bernoulli

varivel e o nmero de sucessos um nmero fixo (pr-determinado); note o contraste com
a distribuio binomial, em que o nmero de repeties fixo e a varivel de interesse o
nmero de sucessos.
Parmetro Distribuio
Binomial Binomial negativa
Nmero de repeties fixo varivel aleatria
Nmero de sucessos varivel aleatria fixo
Exemplo 3.27 Fabricao de peas

Deseja-se produzir 5 peas boas, em uma mquina que d 20% de peas defeituosas. Qual
a probabilidade de ser necessrio fabricar 8 peas para se conseguir as 5 peas boas?
3.7. DISTRIBUIO BINOMIAL NEGATIVA 77
Soluo:
Seja X = nmero de peas fabricadas at a obteno de 5 boas (sucesso). Temos que P(pea
boa) = 0, 80 e P(pea defeituosa) = 0, 20. Logo, X BinNeg (5; 0, 80) . O problema pede
P(X = 8) = 74 (0, 80)5 (0, 20)3 = 0, 0917504.

Esperana e Varincia
Nessa seo iremos calcular a esperana e varincia de X BinNeg(r, p). Antes disse
veja na Proposio 3.28 a seguir um resultado que ser usado tanto na conta de E(X ) quanto
na conta de E(X 2 ).
Proposio 3.28
Sejam k e r nmero inteiros positivos. Ento,

k k 1
r =k .
r r1
Demonstrao:
Veja que se k < r ambos os lados da igualdade so iguais a 0, logo a afirmao verdadeira.
Vamos ento tratar o caso em que k x.

k k! k(k 1)! (k 1)! k 1
r =r =r =k =k .
r r!(k r)! r(r
1)!(k r)! (r 1)!(k r)! r1
Vamos comear pelo clculo de E(X ).

X x 1 r xr ?
X x r xr r X x r+1
E(X ) = x p (1 p) = r p (1 p) = p (1 p)xr
x=r
r 1 x=r
r p x=r
r
?
Na passagem = foi aplicado o resultado da Proposio 3.28. Faa agora y = x + 1.

r X y 1 r+1 r
E(X ) = p (1 p)y1r =
p r p
y=r+1
| {z }
S1
Veja que S1 = 1 pois S1 a soma da funo de probabilidade de Y BinNeg(r + 1, p)

para todos y Im(Y ). Chegamos ento no seguinte resultado,
r
X BinNeg(r, p) E(X ) = (3.23)
p
Veja que se r = 1 temos a esperana de uma geomtrica, veja Equao 3.19.
Vamos agora calcular E(X 2 ) para depois obtermos Var(X ).

2 x 1 xr ? x r r X x r+1
X X
r xr
2
E(X ) = x p (1 p) = xr p (1 p) = x p (1 p)xr
x=r
r 1 x=r
r p x=r
r
?
Na passagem = foi aplicado o resultado da Proposio 3.28. Faa agora y = x + 1.

r X y 1 r+1
2
E(X ) = (y 1) p (1 p)y1r .
p r
y=r+1
| {z }
S2
Veja que S2 = E(Y 1), com Y BinNeg(r + 1, p). Usando o resultado da Equao
3.23 e as propriedades de linearidade do valor esperado, apresentadas na Proposio 2.26,
conclumos que

r+1 r r+1 r 2 + r rp
S1 = E(Y 1) = E(Y ) 1 = 1 E(X ) =
2
1 = .
p p p p2
Segue ento que,

r 2 + r rp r2 r rp 1p
Var(X ) = E(X 2 ) E(X )2 = 2 = =r 2
p 2 p p 2 p
Com isso chegamos expresso da varincia de uma v.a. Binomial Negativa.

1p
X BinNeg(r, p) V ar(X ) = r (3.24)
p2
Novamente, veja que se r = 1 temos a varincia de uma geomtrica, veja Equao 3.20.
Forma Alternativa da Distribuio Binomial Negativa
Assim como no caso da distribuio geomtrica, podemos definir a varivel binomial

negativa como
Y = nmero de fracassos antes do r-simo sucesso (3.25)
Isso significa que a ltima repetio corresponde ao rsimo sucesso e antes dele temos
k fracassos e r 1 sucessos. Logo, antes do ltimo sucesso, temos um total de k + r 1
repeties. Veja a Figura 3.5.
r - 1 sucessos aqui
r S
Y = k fracassos
Figura 3.5 Ilustrao dos resultados da binomial negativa deslocada
Resulta, ento, que

k +r1 r
P(Y = k) = p (1 p)k k = 0, 1, 2, . . . (3.26)
r1
Note a seguinte relao: se X tem distribuio dada pela Equao 3.22, ento
Y =k X =k +r1+1=k +r X =Y +r
Y =X r (3.27)
Com a forma alternativa, temos

r r(1 p)
E(Y ) = E(X r) = r =
p p
r(1 p)
Var(Y ) = Var(X r) = Var(X ) =
p2
3.8. DISTRIBUIO DE POISSON 79
Por que binomial negativa?
n

Quando definimos o nmero binomial k , supusemos que n > 0 e 0 < k < n e vimos
que

n n! n(n 1) (n k + 1)(n k)! n(n 1) (n k + 1)
= = =
k k!(n k)! k!(n k)! k!
De forma anloga, definimos

n (n)(n 1) (n k + 1)
=
k k!
que pode ser escrito como

n [(1)(n)] [(1)(n + 1)] [(1)(n + k 1)]
=
k k!
(1)k n(n + 1) (n + k 1)
=
k!
Vamos, agora, analisar a expresso (3.26):

k +r1 r k k +r1 r (k + r 1)! r
P(Y = k) = p (1 p) = p (1 p)k = p (1 p)k
r1 k k!(r 1)!
(k + r 1)(k + r 2) (k + r k + 1)(k + r k)(k + r k 1)! r
= p (1 p)k
k!(r 1)!
(k + r 1)(k + r 2) (k + r k + 1)(k + r k) r
= p (1 p)k
k!
r(r + 1) (r + k 2)(r + k 1) r
= p (1 p)k
k!
[(1)(r)] [(1)(r 1)] [(1)(r k + 1] r
= p (1 p)k
k!
k r
= (1) pr (1 p)k
k
Logo, uma outra forma de escrever a distribuio binomial negativa

k r
P(Y = k) = (1) pr (1 p)k k = 0, 1, 2, . . .
k
da o nome binomial negativa. Note que essa distribuio corresponde varivel Y =nmero
de fracassos antes do r-simo sucesso.
3.8 Distribuio de Poisson
Suponhamos que estejamos observando um determinado fenmeno de interesse por um

certo perodo de tempo de comprimento T = 1 com o interesse de contar o nmero de vezes
X que um determinado evento ocorre.
Vamos fazer as seguintes hipteses sobre a forma de ocorrncia desse evento:
H1 ) Em um intervalo de tempo suficientemente curto, apenas 0 ou 1 evento ocorre, ou seja, 2

ou mais ocorrncias no podem acontecer simultaneamente. Ento, em cada um desses
intervalos temos um experimento de Bernoulli.
H2 ) A probabilidade de exatamente 1 ocorrncia nesse pequeno intervalo de tempo, de

comprimento t, proporcional a esse comprimento, ou seja, t. Logo, a
probabilidade de nenhuma ocorrncia 1 t.
H3 ) As ocorrncias em intervalos pequenos e disjuntos so experimentos de Bernoulli
independentes.
Estamos interessados na v.a. X = nmero de ocorrncias do evento no intervalo (0, 1].

Particionando esse intervalo em n pequenos subintervalos de comprimento t, temos que o
nmero total de ocorrncias ser a soma do nmero de ocorrncias em cada subintervalo.
1 2 3 n
0 1
1
t = n
Mas em cada subintervalo podemos aplicar as hipteses H1 , H2 e H3 . Logo, X uma

1
varivel binomial com parmetros n = (note que t = 1/n) e probabilidade de sucesso
t
p = t pela hiptese H2 . Veja que np = . Ento, para x = 0, 1, 2, . . . , n temos que:
x
nx

n x nx n
P(X = x) = (t) (1 t) = 1
x x n n
n x
n!
x x 1
1
= 1
x!(n x)! n n n
x n x

n(n 1) (n x + 1)(n x)! 1
= x 1 1
(n x)! n x! n n
x
n x
n(n 1) (n x + 1)
1 1
nx
= =
x! n n
n x + 1 x n x

n n1
= 1 1
n n n x! n n
Consideremos, agora, a situao em que t 0, ou equivalentemente, n . Nesse

caso p 0, uma vez que p = t. Vamos supor que = np no diverge e nem converge
para 0, ou seja, permanece uma constante no nula quando n . Nesse caso, a varivel
aleatria X pode assumir qualquer valor inteiro no negativo e
n x + 1 x n x

n n1
lim P(X = x) = lim 1 1
n n n n n x! n n
x
n x
?
= 1 1 1 lim 1 1 = e
x! n n x!
?
Na passagem = fz-se uso da Equao A.24 do Apndice A.6. Temos, assim, uma
aproximao para a funo de probabilidade Binomial. Ou seja, se X B(n, p) com n muito
grande, p 0 e = np limitado, isto , um nmero real, ento
x
P(X = x) e .
x!
A expresso acima tambm uma funo de probabilidade, como veremos mais a frente.
A varivel aleatria com essa funo de probabilidade leva o nome de Poisson, como mostra
a Definio 3.29 a seguir.
Definio 3.29 Distribuio de Poisson

Diz-se que uma varivel aleatria X tem distribuio de Poisson com parmetro se
sua funo de probabilidade dada por
x
P(X = x) = pX (x) = e x = 0, 1, 2, . . .
x!
O nico parmetro de uma varivel aleatria de Poisson o , que pode assumir

qualquer valor real positivo. Veja que, de acordo com a hiptese H2 , a probabilidade de
ocorrer uma vez o evento em questo dentro de um intervalo de comprimento t t.
Ento, o espao paramtrico para R+ .
Veja que X representa o nmero de ocorrncias de um certo evento no intervalo (0, 1].
Ento X pode assumir qualquer valore natural, pois podemos ter 0, 1, 2, . . . ocorrncias do
evento. Assim Im(X ) = N. Esse mais um exemplo de v.a. discreta cuja imagem um conjunto
infinito.
Vamos denotar a distribuio de Poisson com parmetro por Poi(). Nesse caso,
se quisermos indicar que uma varivel aleatria X segue a distribuio de Poisson com
parmetros podemos simplesmente escrever: X Poi() (l-se: a varivel aleatria X
tem distribuio de Poisson com parmetro ).
Relao entre Binomial e Poisson
A funo de probabilidade de uma varivel aleatria Binomial converge para a funo

de probabilidade de uma Poisson sempre que n , p 0 e np , com constante
no nula, isto , np no diverge e nem converge para 0. Na prtica isso significa que se
X B(n, p) com n muito grande, maior que 100 em geral, e p 0 ento podemos usar a
seguinte aproximao
x
P(X = x) e , com = np. (3.28)
x!
Se tais condies no forem satisfeitas, isto , se n no for grande ou se p no for to

pequeno, a aproximao no ser to boa.
Exemplo 3.30 Aproximao da Binomial pela Poisson
Sabe-se que 5% das lampadas pisca-pisca para rvore de natal so produzidas com defeito.
O setor de qualidade de um fabricante seleciona uma amostra com 150 lampadas pisca-pisca,
vindas direto da linha de produo. Qual a probabilidade da amostra recolhida pelo setor de
qualidade conter mais de 10 lampadas com defeito?
Soluo:
Defina X = como o nmero de lampadas pisca-pisca com defeito dentro da amostra de 150
lampadas. Veja que X B(n = 150, p = 0, 05). Queremos encontrar P(X 10). Para isso
mais fcil encontrar P(X < 10) e depois fazer P(X 10) = 1 P(X < 10).
Vamos comear fazendo as contas exatas.

X 9
0, 05x 0, 9552x
150
P(X < 10) =
x
x=0

150 150 150
= 0
0, 05 0, 95 520
+ ... + 8
0, 05 0, 95 528
+ 0, 059 0, 95529
0 8 9
Veja que as combinaes da conta acima so bem custosas de serem encontradas. Por exemplo,
para chegar resposta precisamos encontrar

150 150! 150 149 . . . 142
= =
9 141!9! 9 8 ... 1
Com a ajuda de um computador chegamos resposta final P(X < 10) = 0, 7808835.
Vejamos agora como usar a aproximao da Binomial pela Poisson para encontrar a
resposta do problema. Para isso vamos usar a expresso apresentada na Equao 3.28
considerando = np = 150 0, 05 = 7, 5.
7, 5x
9
X 7, 50 7,5 7, 58 7,5 7, 59 7,5
P(X < 10) e7,5 = e + ... + e + e = 0, 7764076.
x! 0! 8! 9!
x=0
A partir das contas exatas chegamos em P(X 10) = 1 0, 7808835 = 0.2191165. J

usando as contas aproximadas chegamos em P(X 10) = 1 0, 7764076 = 0, 2235924. Veja
como prximos so os dois resultados.

A prpria definio de Distribuio de Poisson j nos passa que se X Poi() a sua

funo de probabilidade definida por:
x
pX (x) = P(X = x) = e x = 0, 1, 2, . . . (3.29)
x!
Para mostrar que a Equao 3.29 realmente define uma funo de probabilidade, temos

P
que provar que P(X = x) = 1. Para isso vamos rever o resultado da srie de Taylor em
x=0
torno de x0 = 0 para f(x) = ex , Equao A.26 do Apndice A.6, de onde conclumos que

x
X xk
e = .
k!
k=0
Assim, temos que:

X X x X x
P(X = x) = e = e = e e = 1.
x! x!
x=0 x=0 x=0
| {z }
e
Esperana e Varincia
Vamos agora calcular a esperana e a varincia de tal distribuio.

X x ? X x X x1
E(X ) = x e = x e = x e
x! x! x(x 1)!
x=0 x=1 x=1

X x1 ?? X y
= e = e =
(x 1)! y!
x=1 y=0
| {z }
1
?
A passagem = se justifica pois o somatrio se anula quando x = 0, por isso podemos mudar
??
o ndice do somatrio para comear em 1. Na passagem = foi feita a seguinte troca de
varivel: y = x 1. O somatrio destacado pela chave vale 1 pois ele a soma da funo de
probabilidade de uma varivel aleatria de Poisson para todos os valores na imagem.
Portanto,
X Poi() E (X ) = (3.30)
Veja que o parmetro da distribuio de Poisson tambm a mdia dessa varivel

aleatria. Isso significa que durante um intervalo de tempo de tamanho 1 acontece em mdia
ocorrncias do evento em questo.
A unidade de tempo no foi definida porque ela pode ser qualquer uma. O importante
que o valor de esteja de acordo com a unidade de tempo adotada. Veja alguns exemplos
nos itens a seguir.
Se X = nmero de ocorrncia de um certo evento em 1 dia, ento a unidade de tempo

1 dia e ser o nmero mdio de ocorrncias em 1 dia;
Se X = nmero de ocorrncia de um certo evento em 1 semana, ento a unidade de

tempo 1 semana e ser o nmero mdio de ocorrncias em 1 semana;
Se X = nmero de ocorrncia de um certo evento em 2 horas, ento a unidade de tempo

2 horas e ser o nmero mdio de ocorrncias em 2 horas.
Exemplo 3.31 Central telefnica

Uma central telefnica recebe uma mdia de 5 chamadas por minuto. Supondo que as
chamadas cheguem segundo uma distribuio de Poisson. Qual a probabilidade da central
telefnica
(a) no receber nenhuma chamada em um minuto?
(b) receber no mximo 2 chamadas em 2 minutos?
Soluo:
(a) Nesse item estamos interessados em saber o nmero de chamadas no intervalo de 1

minuto. Ento a unidade de tempo ser 1 minuto e vamos definir X = nmero de
chamadas por minuto. De acordo com o enunciado, X Poi(), onde o nmero
mdio de chamadas durante 1 minuto, ou seja, = 5. Queremos encontrar P(X = 0).
50 5
P(X = 0) = e = e5 0, 006737947.
0!
(b) Agora o nosso interesse no nmero de ligaes no intervalo de 2 minutos. Ento a

unidade de tempo adotada ser 2 minutos. Vamos definir Y = nmero de chamadas
em 2 minutos. De acordo com o enunciado, Y Poi(), onde o nmero mdio de
chamadas em 2 minutos, ou seja, = 10. Queremos encontrar P(Y 2).
P(Y 2) = P(Y = 0) + P(Y = 1) + P(Y = 2)

100 10 101 10 102 10
= e + e + e = 0.002769396
0! 1! 2!

Vamos agora encontrar Var(X ). Para isso vamos primeiro calcular E(X 2 ).
x x
X
2 ?
X
2
X x1
2
E(X ) = x e = x e = x2 e
x! x! x(x 1)!
x=0 x=1 x=1

X x1 ?? X y X y X y
= x e = (y + 1) e = y e + e

(x 1)! y! y! y!
x=1 y=0 y=0 y=0
| {z } | {z }
S1 S2
?
A passagem = se justifica pois o somatrio se anula quando x = 0, por isso podemos mudar o
??
ndice do somatrio para comear em 1. Na passagem = foi feita a seguinte troca de varivel:
y = x 1. Veja que S1 = E(Y ), com Y Poi(), logo, S1 = . J S2 = 1 pois ele a soma
da funo de probabilidade de uma varivel aleatria de Poisson para todos os valores na
imagem. Assim chegamos em,
E(X 2 ) = ( + 1) = 2 + .
Logo,
Var(X ) = E(X 2 ) E(X )2 = 2 + 2 =
Com isso chegamos expresso da varincia de uma v.a. de Poisson.
X Poi() V ar(X ) = (3.31)
A varivel aleatria de Poisson tem mdia e varincia iguais .
Apesar da motivao da distribuio de Poisson ser para a contagem do nmero de

ocorrncia ao longo do tempo, como citado anteriormente, tal distribuio tambm pode
ser usada para modelar situaes que no necessariamente envolvam tempo, como mostra
o Exemplo 3.32 a seguir. Mas o importante saber que as caractersticas dessa distribuio
so adequadas para modelar variveis aleatrias de contagem.
Exemplo 3.32 Fabricao de fita magntica

Em um certo tipo de fabricao de fita magntica, ocorrem cortes a uma taxa de um corte por
2000 ps. Qual a probabilidade de que um rolo com comprimento de 4000 ps apresente
(a) no mximo dois cortes?
(b) pelo menos dois cortes?
Soluo:
Seja Y = nmero de cortes num rolo de 4.000 ps. Ento a unidade usada 4.000 ps. Como
ocorre em mdia 1 corte a cada 2.000 ps, o nmero mdio de cortes em 4.000 ps so 2.
Logo, Y Poi(2).
(a) Queremos encontrar P(Y 2).
P(Y 2) = P(Y = 0) + P(Y = 1) + P(Y = 2)

20 21 22
= exp(2) + exp(2) + exp(2) = 0, 676676
0! 1! 2!
3.9. MAIS EXEMPLOS 85
(b) Nesse item queremos P(Y 2).
P(Y 2) = 1 P(Y < 2) = 1 (P(Y = 0) + P(Y = 1))

0
2 21
= 1 exp(2) + exp(2) = 0, 593994
0! 1!

Formas da Distribuio de Poisson
Se X Poi(), ento temos
k+1
e
P(X = k + 1)
k = 0, 1, 2, . . .
(k + 1)!
k
= =
P(X = k) k + 1
e
k!
Temos, assim, uma forma recursiva de calcular probabilidades de Poisson.
Suponhamos, agora, que a probabilidade mxima ocorra em k0 . Usando o resultado

acima, temos que ter
P(X = k0 + 1)
1 1 k0 1
P(X = k0 ) k0 + 1
e tambm
P(X = k0 )
1 1 k0
P(X = k0 1) k0
Resulta, ento, que se k0 ponto de mximo, ento
1 k0
e como k0 tem que ser inteiro, temos que ter k0 = [], ou seja, a moda ocorre em k0 = [], o
maior inteiro menor ou igual a .
Se for inteiro, ento a distribuio bimodal, com moda em k01 = e k02 = 1

pois, nesse caso,
1
P(X = ) = e = e = P(X = 1)
! ( 1)!
Nas Figuras 3.6(a) e 3.6(b) ilustra-se a distribuio de Poisson para dois valores do
parmetro: = 2 (distribuio bimodal, com modas 1 e 2) e = 4, 3 (distribuio unimodal,
com moda 4)
3.9 Mais Exemplos
Exemplo 3.33
Um grupo de 30 polticos, sendo 12 do partido de esquerda, resolve formar, de forma aleatria,
uma comisso com 5 polticos. Qual a probabilidade dos polticos de esquerda serem maioria
na comisso?
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
(a) Poi( = 2) (b) Poi( = 4, 3)
Figura 3.6 Funo de Probabilidade da Distribuio de Poisson.
Soluo:
Defina X = nmero de polticos de esquerda na comisso. Veja que X hiper(N = 30, r =
12, n = 5). Queremos P(X 3) = P(X = 3) + P(X = 4) + P(X = 5).

12 30 12 12 18
x 5x x 5x
P(X = x) = =
30 30
5 5

12 18 12! 18!
3 53 3!9! 2!16! = . . . = 0, 2362
P(X = 3) = =
30 30!
5 5!25!

12 18 12! 18!
54
= 4!8! 1!17! = . . . = 0, 0625
4
P(X = 4) =
30 30!
5 5!25!

12 18 12! 18!
55
= 5!7! 0!18! = . . . = 0, 0055
5
P(X = 5) =
30 30!
5 5!25!
Logo, P(X 3) = 0, 2362 + 0, 0625 + 0, 0055 = 0, 3042.

Exemplo 3.34
Sabe-se que a eficcia de uma vacina para uma certa doena de 92%. Isso significa que a
probabilidade de um indivduo que tomou a vacina ser imunizado de 92%.
(a) Qual a probabilidade de entre 10 pacientes vacinados no mximo 1 no ter sido

imunizado?
(b) Quantos indivduos, em mdia, devem ser vacinados at que seja encontrado um que
no tenha sido imunizado?
Soluo:
(a) Nesse item queremos a probabilidade de 0 ou 1 paciente entre 10 vacinados no ter sido
imunizado. Defina X = nmero de pacientes no imunizados entre os 10 que tomaram
3.9. MAIS EXEMPLOS 87
a vacina. Veja que X B(n = 10, p = 0, 08). Queremos P(X 1).

10 10
P(X 1) = P(X = 0) + P(X = 1) = 0 10
0, 08 0, 92 + 0, 081 0, 929
0 1
= 1 0, 4343885 + 10 0, 1 0, 4721614 = 0, 9065499
(b) J nesse item queremos o nmero mdio de pacientes vacinados at encontrar o 1o que
no foi imunizado. Defina Y = nmero de pacientes vacinados at encontrarmos 1 no
imunizados. Veja que Y geo(p = 0, 08). Queremos E(Y ) = 1/p = 12, 5. Ou seja, em
mdia so vacinados 12,5 pacientes at que se encontre o 1o que no foi imunizado.

Exemplo 3.35
Uma rodovia registra, em mdia, 2 acidentes por dia. Considere a varivel aleatria X =
nmero de acidentes na rodovia.
(a) Indique uma distribuio adequada para a varivel aleatria X . Justifique sua resposta.
(b) Qual a probabilidade de nas prximas 6 horas acontecer pelo menos 1 acidente.
Soluo:
(a) A distribuio de Poisson adequada para dados de contagem. No caso estamos

contando o nmero de acidentes, ento razovel considerar X Poi().
(b) Estamos interessados no nmero de acidentes no perodo de 6 horas. Vamos definir

ento X = nmero de acidentes no perodo de 6 horas e assim temos X Poi(), onde
o nmero mdio de acidentes em 6 horas, no caso, = 0, 5. Queremos P(X 1).
0, 50 0,5
P(X 1) = 1 P(X = 0) = 1 e = 1 0.6065307 = 0.3934693.
0!

Exemplo 3.36
Suponha que em uma cidade 15% dos cidados votaram no vereador Joo. A fim de avaliar
a satisfao de seus eleitores, Joo decide fazer uma pesquisa direcionada. Para isso Joo
aborda, de forma aleatria e com reposio, cidados na rua a fim de encontrar seus eleitores
e realizar a pesquisa.
(a) Qual a probabilidade de nas 10 primeiras abordagens Joo no encontrar eleitor algum
seu?
(b) Se Joo planeja entrevistar 20 dos seus eleitores, em mdia, quantos cidados sero
abordados?
Soluo:
(a) Esse item podemos fazer de duas maneiras diferentes. Vamos apresentar aqui as duas
alternativas de soluo.
Primeira soluo. Seja Y = nmero de eleitores de Joo entre os 10 primeiros cidados
abordados. Veja que Y B(n = 10, p = 0, 15). Queremos P(Y = 0).

10
P(Y = 0) = 0, 150 0, 85100 = 0, 8510 = 0, 1968744.
0
Para esse exemplo as contas da soluo anterior so mais fcies, mas vale pena ver
que o mesmo problema pode ser resolvido de formas totalmente diferentes.
Segunda soluo. Considere X = nmero de cidados abordados at encontrar o
primeiro eleitor de Joo. Veja que X geo(p = 0, 150). Queremos P(X > 10) =
1 P(X 10).
P(X > 10) = 1 P(X 10) = 1 (P(X = 1) + P(X = 2) + . . . + P(X = 10))
10
X 10
X 10
X
x
= 1 P(X = x) = 1 0, 15(0, 85) = 1 0, 15 (0, 85)x
x=1 x=1 x=1
1 0, 8510
= 1 0, 15 = 0, 8510 = 0, 1968744
0, 15
(b) Precisamos definir quantas abordagens em mdia so realizadas at que Joo encontre
20 de seus eleitores. Defina W = nmero de abordagens at Joo encontrar 20 de seus
eleitores. Veja que W BinNeg(r = 20, p = 0, 15). Queremos E(W ) = r/p = 20/0, 15 =
133, 33. Ou seja, em mdia, Joo vai precisar abordar em torno de 134 indivduos para
conseguir encontrar 20 de seus eleitores.

Exemplo 3.37 Problema dos pontos - Exemplo 2.16 de Magalhes (2011)
Ensaios do tipo sucesso-fracasso so realizados de forma independente, sendo p a
probabilidade de sucesso. Qual a probabilidade de ocorrerem n sucessos antes de m
fracassos?
Soluo:
Veja a probabilidade de ocorrerem n sucessos antes de m fracassos exatamente a
probabilidade de ocorrerem n sucessos antes da n + m-sima tentativa. Ento podemos
encontrar a resposta do problema calculando a probabilidade do n-simo sucesso acontecer
antes da n + m-sima tentativa. Para isso defina X = como o nmero de ensaios antes do
n-simo sucesso. Veja que X BinNeg(n, p). Queremos encontrar P(X < n + m),
n+m1
X x 1
P(X < n + m) = pn (1 p)xn .
x=n
n 1
Poderamos tambm resolver pela forma alternativa da Binomial Negativa. Seja Y =

nmero de fracassos antes do n-simo sucesso. Veja que a probabilidade de interesse
P(Y < m), ou seja, a probabilidade do n-simo sucesso ocorrer antes do m-simo fracasso.
Nesse caso,
m1
X y + n 1
P(Y < m) = pn (1 p)y .
n1
y=0
Vejamos um caso numrico. Supondo que os ensaios sejam o lanamento de uma moeda
justa, ou seja, p = 1/2. Vamos definir a ocorrncia de cara como sucesso. Suponha que
queremos saber a probabilidade de sair 5 caras antes da 3 corroa, ou seja, n = 5 e m = 3.
x 1 1 5 1 x5
X7 5 0 5 1 5 2
4 1 1 5 1 1 6 1 1
P(X < 8) = = + + 0.2265625.
n1 2 2 4 2 2 4 2 2 4 2 2
x=5
y + 4 15 1y
2
X 5 0 5 1 5 2
4 1 1 5 1 1 6 1 1
P(Y < 3) = = + + 0.2265625.
4 2 2 4 2 2 4 2 2 4 2 2
y=0

Captulo 4
Variveis Aleatrias Contnuas
J vimos, no Captulo 1, conceitos iniciais sobre as variveis aleatrias contnua. Nesse

captulo vamos estudar mais sobre esse tipo de varivel aleatria.
4.1 Funo Densidade de Probabilidade
A definio de varivel aleatria contnua normalmente apresentada nos livros de

probabilidade no citada no Captulo 1, que define X contnua quando a sua funo de
distribuio acumulada uma funo absolutamente contnua. A forma mais comum de definir
varivel aleatria contnua est na Definio 4.1 a seguir, onde junto aparece o conceito de
funo densidade.
Definio 4.1 Varivel Aleatria Contnua e Funo Densidade

Uma varivel aleatria X com funo de distribuio F classificada como contnua
quando existe uma funo no negativa f tal que
Z x
F (x) = f(t)dt , para todo x R.

Nesse caso, a funo f denominada funo densidade de probabilidade, ou

simplesmente funo densidade, da varivel aleatria X .
Proposio 4.2 Propriedades da Funo Densidade

Seja fX a funo densidade de alguma varivel aleatria X . Ento fX satisfaz as seguintes
propriedades.
(i) fX (x) 0 x R.
R
(ii) f(t)dt = 1
Demonstrao: R
A funo densidade no negativa por definio. Para mostrar que f(t)dt = 1 veja que
Z Z x
f(t)dt = lim f(t)dt = lim F (x) = 1,
x x
pelas propriedades de funo distribuio.

90 CAPTULO 4. VARIVEIS ALEATRIAS CONTNUAS
J vimos como calcular P(a X b) se conhecermos a funo de distribuio de X

(Exemplo 1.18). O que veremos agora que esse clculo tambm pode ser feito a partir da
funo densidade.
Proposio 4.3
Seja X varivel aleatria contnua com funo densidade fX e a, b R tais que a b. Ento
Z b
P(a X b) = fX (t)dt.
a
Demonstrao:
Seja X varivel aleatria contnua e FX a sua funo de distribuio. J vimos que:
P(a X b) = FX (b) FX (a). (4.1)
Rx
Pela Definio 4.1 temos que F (x) = f(t)dt, x R. Ou seja,
Z a Z b
F (a) = f(t)dt e F (b) = f(t)dt. (4.2)

Juntando as Equaes 4.1 e 4.2 e aplicando algumas propriedades da integral temos:

Z b Z a Z b
P(a X b) = FX (b) FX (a) = f(t)dt f(t)dt = f(t)dt.
a
Veja que a Proposio 4.3 nos mostra que a probabilidade de X [a, b] a rea embaixo
da curva da sua funo densidade. Quando a = b a proposio ainda se aplica e temos uma
demonstrao para o seguinte resultado j visto no Captulo 1:
Z a
P(X = a) = P(a X a) = fX (t)dt = 0.
a
O resultado da Proposio 4.3 tambm se estende para a = ou b = .

Z b
P( X b) = P(X b) = FX (b) = fX (t)dt

Z a Z
P(a X ) = P(X a) = 1 FX (a) = 1 fX (t)dt = fX (t)dt,
a
Ra R R
uma vez que fX (t)dt + a fX (t)dt = fX (t)dt = 1.
Assim sabemos fazer contas de probabilidades envolvendo uma varivel aleatria

contnua a partir da sua funo densidade. Dessa forma, conhecendo a funo densidade
de uma varivel aleatria contnua temos toda a informao sobre a sua distribuio. Isso
significa que tanto faz conhecer FX ou fX , em ambos os casos temos toda a informao sobre
a varivel aleatria.
Mais que isso, conhecendo uma das funes FX ou fX temos como encontrar a outra,
veja como. A Definio 4.1 nos mostra como encontrar FX se conhecermos fX :
Z x
FX (x) = fX (t)dt.

Aplicando o Teorema Fundamental do Clculo conclumos que:

d
fX (x) = FX (x).
dx
4.1. FUNO DENSIDADE DE PROBABILIDADE 91
Exemplo 4.4
Seja X uma varivel aleatria cuja funo de distribuio tem seu grfico esboado a seguir.
Apresente um esboo para o grfico da funo densidade dessa varivel aleatria.
Soluo:

Exemplo 4.5
Seja X uma varivel aleatria cuja funo densidade tem seu grfico esboado a seguir.
Apresente um esboo para o grfico da funo de distribuio dessa varivel aleatria.
Soluo:

Exemplo 4.6
Seja X varivel aleatria contnua cuja funo densidade definida por:

a(1 + x) , se 1 x < 0
fX (x) = a(1 x) , se 0 x 1
, caso contrrio.

0
(a) Faa um esboo do grfico de fX .

(b) Encontre o valor de a para que fX seja realmente funo densidade.
(c) Quais valores a varivel aleatria X pode assumir? Ou seja, qual a imagem de X ?
(d) Calcule P(X > 0), P(1/2 X 1/2) e P(X = 0).
(e) Encontre a funo de distribuio de X , FX , e esboce seu grfico.
(f) Verifique as propriedades da funo de distribuio.
(g) Repita os itens ?? e ?? resolvendo agora a partir da funo FX .

Soluo:

Exemplo 4.7
Seja X varivel aleatria cuja funo de distribuio definida por:

0 , se x < 2
(x 2)/4 , se 2 x < 4

FX (x) = 1/2 , se 4 x < 6
, se 6 x < 8

(x 4)/4
, se x 8

1
(a) Faa um esboo do grfico de FX .
(b) Quais valores a varivel aleatria X pode assumir? Ou seja, qual a imagem de X ?
(c) Classifique a varivel aleatria X .
(d) Calcule P(X 3) e P(3 < X 5).
(e) Encontre a funo densidade de X , fX , e esboce seu grfico.
(f) Verifique as propriedades da funo densidade.
(g) Repita os itens ?? e ?? resolvendo agora a partir da funo fX .

Soluo:

Exemplo 4.8
Seja X varivel aleatria contnua tal que sua funo densidade definida por:

c(4x 2x 2 ) , se 0 < x < 2
f(x) =
0 , caso contrrio.
(a) Encontre o valor de c para que f seja realmente funo densidade.
(b) Esboce o grfico de f.
(c) Calcule P(X > 1).
(d) Encontre FX .
Soluo:

4.2. ESPERANA DE VARIVEIS ALEATRIAS CONTNUAS 93
Exemplo 4.9
O tempo de vida em horas de um certo dispositivo eletrnico pode ser considerado uma
varivel aleatria com funo densidade definida por
1 x/100
fX (x) = e , x 0.
100
(a) Qual a probabilidade de um desses dispositivos eletrnicos durar entre 50 e 150 horas?
(b) Qual a probabilidade de um desses dispositivos eletrnicos durar menos de 100 horas?
Soluo:

Exemplo 4.10
O tempo de vida em horas de um certo tipo de tubo de rdio uma varivel aleatria com
funo densidade
100
x2
, se x > 100
f(x) =
0 , caso contrrio.
(a) Qual a probabilidade de um tubo desse tipo durar mais que 150h?
(b) Qual a probabilidade de exatos 2 entre 5 desses tubos terem que ser trocados antes de
150h de operao?
Soluo:

4.2 Esperana de Variveis Aleatrias Contnuas
A ideia de valor mdio apresentada no Captulo 3, que diz respeito mdia dos valores
da varivel aleatria se o experimento fosse realizado infinitas vezes, tambm pode ser
introduzida para o caso de variveis aleatrias contnuas.
Porm no caso contnuo no possvel tirar a mdia dos valores da varivel aleatria
ponderados pela probabilidade de cada um ocorrer, uma vez que no h uma quantidade
enumervel de valores e a probabilidade de cada um ocorrer e sempre nula. Por isso, no caso
contnuo a definio ser diferente do caso discreto.
Vamos tentar generalizar. Sem perdas, suponha X varivel aleatria contnua com
funo densidade fX e Im(X ) = [0, 1]. Vamos dividir esse intervalo em subintervalos [x, x + dx],
com dx = 1/n e x = 0, 1/n, 2/n, . . . , n 1. Veja que se n for grande, ento
fX (x)dx P(x X x + dx)
Seguindo a definio de esperana para o caso discreto, podemos supor para o caso
contnuo que, se n for grande,
X X
E(X ) x P(x X x + dx) xfX (x)dx
x x
Pensando no limite quando n , ou dx 0, temos

X X Z
E(X ) = lim x P(x X x + dx) = lim xfX (x)dx = xfX (x)dx.
n n x
x x
E assim chegamos na Definio 4.11.
Definio 4.11 Esperana de Varivel Aleatria Contnua

Seja X uma varivel aleatria contnua com funo densidade de probabilidade fX . A
esperana (ou mdia ou valor esperado) de X definida como
Z +
E(X ) = xfX (x)dx

desde que a integral esteja bem definida.
Exemplo 4.12
Calcule E(X ) para os exemplos 4.8, 4.9 e 4.10.
Soluo:

Assim como no caso discreto, se X varivel aleatria e Y = g(X ), Y tambm ser

varivel aleatria e o clculo da sua esperana pode ser feito somente com o conhecimento
da funo g que relaciona X e Y e da funo densidade de X , fX .
Proposio 4.13 Esperana de funes de varivel aleatria contnua
Seja X uma varivel aleatria contnua com funo densidade fX e seja Y = g(X ). Ento,
Z
E (Y ) = E (g (X )) = g(x)fX (x),


Demonstrao:
A demonstrao ser omitida.

Exemplo 4.14
Seja X varivel aleatria com funo densidade definida por

(x + 1)2 , se 1 < x < 0
f(x) =
1 x2 , se 0 x < 1
(a) Verifique as propriedades da funo densidade e esboce o grfico de f.
(b) Calcule E(X ).
(c) Calcule E(1/(X + 1)).

Soluo:

Assim como no caso discreto, continuam valendo para o caso contnuo as seguintes
propriedades da esperana.
4.3. VARINCIA 95
Proposio 4.15
Seja X varivel aleatria contnua, xmin = min{Im(X )} e xmax = max{Im(X )}. Se E(X ) R
ento, xmin E(X ) xmax .
Demonstrao:
Primeiro vamos mostrar que xmin E(X ).
Z Z Z
E(X ) = xfX (x) xmin fX (x) = xmin fX (x) = xmin .

| {z }
1
Para mostrar que E(X ) xmax faremos um desenvolvimento anlogo.

Z Z Z
E(X ) = xfX (x) xmax fX (x) = xmax fX (x) = xmax .

| {z }
1

Proposio 4.16 Propriedade de Linearidade da Esperana
Seja X varivel aleatria contnua tal que E(X ) R. Sejam a, b R. Ento,
E(aX + b) = a E(X ) + b.
Demonstrao:
Z
E(aX + b) = (ax + b)fX (x)dx =
Z

= (axfX (x) + bfX (x)) dx =
Z
Z
= axfX (x)dx + bfX (x)dx =

Z Z
= a xfX (x)dx +b fX (x)dx = a E(X ) + b.
| {z | {z

} }
E(X ) 1
4.3 Varincia
A varincia de uma varivel aleatria, discreta ou contnua, uma medida de disperso

em torno da mdia. O que muda do caso discreto para o contnuo apenas como as contas
so feitas.
Definio 4.17 Varincia de Varivel Aleatria Contnua

Seja X varivel aleatria contnua tal que E(X ) R. A varincia de X definida como
h i Z
Var (X ) = E (X E (X )) =
2
(x E (X ))2 fX (x)dx,

O desvio-padro definido como a raiz quadrada de sua varincia, independente do

tipo de varivel. p
DP (X ) = Var (X )
Usando as propriedades do clculo integral e representando por a esperana de X

(note que uma constante, um nmero real), temos que:
Z +
Var(X ) = [x ]2 fX (x)dx

Z +
= x 2 2x + 2 fX (x)dx

Z + Z + Z +
= x fX (x)dx 2
2
xfX (x)dx + 2
fX (x)dx

Se definimos h(x) = x 2 , a primeira integral nada mais que E(X 2 ), pela Proposio
4.13. A segunda integral E(X ) = e a terceira integral igual a 1, pela definio de funo
densidade. Logo,
Var(X ) = E(X 2 ) 2 2 + 2 = E(X 2 ) 2
o que nos leva ao resultado j visto para variveis discretas:
Var(X ) = E(X 2 ) [E(X )]2 (4.3)
De forma resumida: a varincia a esperana do quadrado de X menos o quadrado da

esperana de X .
As propriedades apresentadas na Proposio 2.34 valem tambm para o caso contnuo.

Veja que a sua demonstrao em momento algum usou o fato da varivel ser discreta, apesar
da proposio ter sido enunciada no captulo sobre variveis aleatrias discretas. Vejamos
novamente tais propriedades.
Se X varivel aleatria tal que Var(X ) R, ento valem as seguintes propriedades:
(i) Var(X ) 0
(ii) DP(X ) 0
(iii) Var(aX + b) = a2 Var(X )
(iv) DP(aX + b) = |a| DP(X )
Exemplo 4.18
Para a varivel aleatria apresentada no Exemplo 4.14 calcule: Var(X ), Var(3X + 1) e Var(X 2 ).
Soluo:

Exemplo 4.19 Funo linear

Seja X varivel aleatria cuja funo densidade fX est apresentada na Figura 4.1.
(a) Encontre o valor de k para que fX seja funo densidade de probabilidade de uma
varivel aleatria contnua e determine a equao que define fX .
(b) Calcule P(2 X 3).
(c) Encontre a funo de distribuio acumulada de X .
(d) Determine o valor de q tal que P(X q) = 0, 6.

4.3. VARINCIA 97
Figura 4.1 Funo densidade de probabilidade para o Exemplo 4.19
(e) Calcule a esperana e a varincia de X .
Soluo:
(a) O valor de k pode ser encontrado de forma que a rea embaixo da curva seja 1. Para
isso vamos somar a rea do retngulo com a do tringulo para obter a rea do trapzio.
1
rea = 5 0, 1 + 5 (k 0, 1) = 1 k = 0, 3.
2
Para encontrar a expresso que define fX basta encontrar a equao da reta. Veja que
essa reta passa pelos pontos (1; 0, 1) e (6; 0, 3), o que fornece o seguinte sistema de
equaes:
0, 1 = a + b
0, 3 = a + 6b
Subtraindo a primeira equao da segunda, obtemos b = 0, 04 e a = 0, 06. Logo,

0, 06 + 0, 04x se 1 x 6
fX (x) =
0 casocontrrio
(b) Veja a Figura 4.3, em que a rea sombreada corresponde probabilidade pedida:
Z 3 3
x 2 9 4
P(2 X 3) = (0, 06+0, 04x)dx = 0, 06x + 0, 04 = 0, 06+0, 04 = 0, 16
2 2 2 2 2
Figura 4.2 rea sob a funo Figura 4.3 P(2 X 3) para o

densidade fX do Exemplo 4.19 Exemplo 4.19
(c) Veja a Figura 4.4; a podemos ver que, para x [1, 6], FX (x) a rea de um trapzio de
altura x 1; base maior igual a fX (x) e base menor igual a fX (1) = 0, 1. Logo,
(0, 06 + 0, 04x) + 0, 1
FX (x) = (x 1)
2
= (0, 08 + 0, 02x)(x 1)
ou seja,
0 se x < 1
FX (x) = 0, 02x 2 + 0, 06x 0, 08 se 1 x 6
se x > 6

1
Na Figura 4.5 dado o grfico da funo de distribuio.

Usando integral, temos que
Z x x
0, 04t 2
F (x) = (0, 06 + 0, 04t)dt = 0, 06t +
1 2 1

= 0, 06x + 0, 02x (0, 06 + 0, 02)
2
= 0, 02x 2 + 0, 06x 0, 08 1x6
Figura 4.4 FX como rea Figura 4.5 FX Exemplo 4.19

Exemplo 4.19
(d) Queremos determinar q tal que FX (q) = 0, 6. Logo,
0, 6 = 0, 02q2 + 0, 06q 0, 08
0, 02q2 + 0, 06q 0, 68 = 0
q2 + 3q 34 = 0

3 9 + 4 34
q =
2
A raiz que fornece resultado dentro do domnio de variao de X

3 + 9 + 4 34
q= 4, 5208
2
(e) Temos que

Z 6
6
x2 x 3
E(X ) = x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04
1 2 3 1

63 0, 04
= 0, 03 36 + 0, 04 0, 03 1 +
3 3
0, 04 11, 75
= 1, 08 + 2, 88 0, 03 = = 3, 9167
3 3
4.4. DENSIDADE SIMTRICA 99
Z 6
6
x3 x 4
2
E(X ) = x (0, 06 + 0, 04x) dx = 0, 06 + 0, 04
2
1 3 4 1
= (0, 02 216 + 0, 01 1296) (0, 02 + 0, 01)
= 4, 32 + 12, 96 0, 03 = 17, 25

11, 75 2 155, 25 138, 0625
Var(X ) = 17, 25 = = 1, 9097
3 9

4.4 Densidade Simtrica
Se interpretamos a funo densidade de probabilidade de X como uma distribuio de

massa na reta real, ento E(X ) o centro de massa desta distribuio. Essa interpretao
nos permite concluir, por exemplo, que se fX simtrica, ento E(X ) o valor central que
define o eixo de simetria.
Exemplo 4.20 Densidade triangular
Considere a funo fX apresentada na Figura 4.6:
Figura 4.6 Funo de densdidade de probabilidade
(a) Encontre o valor de k para que fX seja uma funo densidade de probabilidade de uma
v.a. X (note que o tringulo issceles).
(b) Determine a equao que define fX .
(c) Calcule P(1 X 3).
(d) Encontre E(X ).
(e) Determine o valor de Q tal que P(X Q) = 0, 6.
(f) Encontre a funo de distribuio acumulada de X .
Soluo:
(a) Como a rea tem que ser 1, resulta

1 1
1= (4 0) k k =
2 2
(b) A funo fX dada por 2 equaes dereta. A primeira uma reta de inclinao positiva
que passa pelos pontos (0, 0) e 2, 12 . A segunda uma reta de inclinao negativa,

que passa pelos pontos 2, 12 e (4, 0).
Para achar a equao de cada uma das retas, basta substituir as coordenadas dos dois
pontos na equao geral de uma reta f(x) = a + bx e resolver o sistema.
Para a primeira reta, temos o seguinte sistema:
0 = a+b0
1
= a+b2
2
Da primeira equao resulta que a = 0 ( o ponto onde a reta cruza o eixo y) e
substituindo esse valor de a na segunda equao, temos b = 14 .
Para a segunda reta, temos o seguinte sistema:
0 = a+b4
1
= a+b2
2
Subtraindo a segunda equao da primeira, resulta:
1 1
0 = (a a) + (4b 2b) b =
2 4
Substituindo na primeira equao, encontramos que a = 1.
Combinando essas duas equaes, obtemos a seguinte expresso para fX :
x

se 0 x < 2

4

fX (x) = x
1 se 2 x 4

4

se x < 0 ou x > 4

0
(c) A probabilidade pedida a rea sombreada em cinza-escuro na Figura 4.7.
Figura 4.7 Clculo de P(1 X 3)
Os dois tringulos sombreados de cinza-claro tm a mesma rea, por causa da simetria.

Assim, podemos calcular a probabilidade usando a regra do complementar, uma vez que
a rea total 1.
A altura dos dois tringulos 1
4 = fX (1) = fX (3). Logo, a rea de cada um dos tringulos
21 1 14 = 81 e, portanto,
1 6 3
P(1 X 3) = 1 2 = =
8 8 4
(d) Como a funo simtrica, resulta que E(X ) = 2.
(e) O primeiro ponto a observar o seguinte: o ponto x = 2 divide a rea ao meio, ou seja,
x = 2 a mediana da distribuio. Como temos que P(X Q) = 0, 6, resulta que Q tem
que ser maior que 2. Veja a Figura 4.8:
Figura 4.8 Clculo de Q tal que P(X Q) = 0, 6
Novamente, vamos usar a regra do complementar: como a rea (probabilidade) abaixo

de Q tem de ser 0,6, a rea (probabilidade) acima de Q, dada pela rea do tringulo
superior, tem de ser 0,4. A altura desse tringulo obtida substituindo-se o valor x = Q
na equao da segunda reta, o que nos d h = 1 Q4 . Substituindo na frmula que d
a rea de um tringulo, resulta:

1 k
0, 4 = (4 k) 1
2 4

1 k2
0, 4 = 4k k +
2 4
16 8k + k 2
0, 8 =
4
3, 2 = k 2 8k + 16
k 2 8k + 13, 2 = 0

8 64 4 13, 2 8 11, 2
k = =
2 2

A raiz 8+ 211,2 est fora do domnio de definio da funo; logo, essa soluo no serve.
A soluo para o problema, ento, :

8 11, 2
Q= = 2, 3267
2
(f) Assim como a funo densidade, a funo de distribuio tambm ser definida por 2
equaes: uma para os valores de x no intervalo [0, 2) e outra para valores de x no
intervalo [2, 4]. Para x [0, 2), FX (x) a rea do tringulo sombreado na Figura 4.9 e
para x [2, 4], Fx (x) a rea sombreada na Figura 4.10.
Figura 4.9 Clculo de FX (x) para 0 Figura 4.10 Clculo de FX (x) para 2
x<2 x<4
Logo,
1 x
FX (x) = (x 0) x [0, 2)
2 4
1 x
FX (x) = 1 (4 x) 1 .
2 4
Combinando os resultados obtidos, resulta a seguinte expresso para FX :

0 se x < 0

8 x2 se 0 x < 2

1
FX (x) =
1 18 (4 x)2 se 2 x 4

1 se x > 4
Veja a Figura 4.11; para 0 x < 2, o grfico de FX uma parbola cncava para cima;
para 2 x 4, o grfico de FX uma parbola cncava para baixo.
Figura 4.11 Funo de distribuio acumulada para a densidade triangular

O fato da esperana da varivel aleatria no exemplo anterior ter sido o ponto de

simetria no foi uma coincidncia, esse um resultado geral sempre que a varivel aleatria
tiver funo densidade simtrica. Veja Proposio 4.21 a seguir.
Proposio 4.21
Seja X uma varivel aleatria com funo densidade fX (x) simtrica em torno de , isto ,
fX ( x) = fX ( + x).
Ento, E(X ) = .
Demonstrao:
Seja X varivel aleatria com funo densidade fX (x) simtrica em torno de . Vamos calcular
a sua esperana de X .
=0
Nesse caso, fX (x) uma funo par, isto , fX (x) = fX (x). Por definio,
Z +
E(X ) = xfX (x)dx

Vamos denotar o integrando por h(x), isto , h(x) = xfX (x). Resulta da simetria de fX
que
h(x) = xfX (x) = xfX (x) = h(x)
ou seja, h(x) uma funo mpar e pelo Teorema A.10,
Z +
h(x)dx = 0

Provamos, assim, que se X uma varivel aletaria com densidade simtrica em torno
de x = 0 ento E(X ) = 0.
qualquer
Vamos definir uma nova varivel aleatria Y = X . Ento,
FY (y) = P(Y y) = P(X y) = P(X + y) = FX ( + y)

FY0 (y) = fY (y) = FX0 ( + y) 1 = fX ( + y)
Como fX simtrica em torno de , temos que
fY (y) = fX ( + y) = fX ( y) = fY (y)
ou seja, a densidade de Y simtrica em torno de 0 e, portanto,
E(Y ) = 0 E(X ) = 0 E(X ) =

Captulo 5
Algumas Distribuies Contnuas
Assim como no caso discreto, algumas distribuies de variveis aleatrias contnuas

so bastante usadas e por isso merecem um estudo mais detalhado. Esse o objetivo deste
captulo, estudar algumas distribuies contnuas.
5.1 Distribuio Uniforme
A motivao principal da distribuio Uniforme definir a funo densidade de uma

varivel aleatria X de forma que P(X I) dependa apenas do tamanho do intervalo I.
Considere a funo densidade fX apresentada na Figura 5.1, em que a e b so nmeros
conhecidos.
Figura 5.1 Funo densidade uniforme
Note que, para dois subintervalos de mesmo comprimento contidos em [a, b], a rea ser
igual, uma vez que temos reas de retngulos com mesma altura. Assim, intervalos de mesmo
comprimento tm a mesma probabilidade. Esse fato leva denominao de tal densidade
como densidade uniforme.
Qual deve ser o valor de k para que fX seja funo densidade?
A primeira condio a funo densidade uma funo no-negativa, logo isso implica
em k 0. A segunda condio que a rea e embaixo da curva de fX tem que ser 1, o resulta
em
1
1 = (b a) k k = .
ba
106 CAPTULO 5. ALGUMAS DISTRIBUIES CONTNUAS
Definio 5.1 Distribuio Uniforme

Uma varivel aleatria contnua X tem distribuio uniforme no intervalo [a, b] se sua
funo densidade dada por

1

, se x [a, b]
f(x) = ba

0 , caso contrrio.
Os valores a e b so chamados parmetros da distribuio uniforme.
Note que ambos os parmetros da densidade uniforme tm de ser finitos para que a
integral seja igual a 1. Alm disso, a b. Dessa forma, o espao paramtrico para o vetor de
parmetros (a, b) {a R, b R, a b}.
Vamos denotar a distribuio Uniforme com parmetros a e b por U(a, b). Nesse caso,
se quisermos indicar que uma varivel aleatria contnua X segue a distribuio Uniforme no
intervalo [a, b] podemos simplesmente escrever X U(a, b) (l-se: a varivel aleatria X tem
distribuio Uniforme no intervalo [a, b]).
Quando a = 0 e b = 1 temos a distribuio Uniforme Padro, denotada por U(0, 1).
Funo Densidade e Funo de Distribuio
J vimos se X U(a, b) a sua funo densidade definida por:

1

, se x [a, b]
f(x) = ba

0 , caso contrrio.
Por definio, a funo de distribuio acumulada
FX (x) = P (X x)
e essa probabilidade dada pela rea sob a curva densidade esquerda de x, conforme
ilustrado na Figura 5.2.
Figura 5.2 Funo de distribuio acumulada da densidade uniforme como rea

5.1. DISTRIBUIO UNIFORME 107
1
Essa a rea de um retngulo com base (x a) e altura . Logo,
ba

0x a
, se x < a
FX (x) = , se a x b (5.1)
ba

1 , se x > b
O grfico dessa funo de distribuio acumulada apresentado na Figura 5.3.
Figura 5.3 Funo de distribuio acumulada da densidade uniforme
Esperana e Varincia
Das propriedades da esperana e das caractersticas da densidade uniforme (funo

simtrica), sabemos que E(X ) o ponto mdio do intervalo [a, b]. Logo
a+b
X U(a, b) E (X ) = (5.2)
2
Vamos, agora, calcular E(X 2 ).

Z b Z b
1 b3 a3 a2 + b2 + ab
2
E(X ) = x f(x)dx =
2
x2 dx = = .
a a ba 3(b a) 3
Logo,
2
a2 + b2 + ab a+b 4a2 + 4b2 + 4ab 3a2 6ab 3b2
Var(X ) = =
3 2 12
b2 2ab + a2 (b a)2
= = .
12 12
Assim chegamos na expresso,
(b a)2
X U(a, b) Var (X ) = (5.3)
12
Exemplo 5.2 Latas de coca-cola
Latas de coca-cola so enchidas num processo automtico segundo uma distribuio uniforme
no intervalo (em ml) [345,355].
(a) Qual a probabilidade de uma lata conter mais de 353 ml?
(b) Qual a probabilidade de uma lata conter menos de 346 ml?
(c) Qualquer lata com volume 4 ml abaixo da mdia pode gerar reclamao do consumidor
e com volume 4 ml acima da mdia pode transbordar no momento de abertura, devido
presso interna. Qual a proporo de latas problemticas?
Soluo:
Seja X = contedo da lata de coca-cola. Ento, X U[345, 355]
(a) Pede-se
355 353
P(X > 353) = = 0, 2
355 345
(b) Pede-se
346 345
P(X < 346) = = 0, 1
355 345
(c) Pede-se
346 345 355 354

P(X < 350 4) + P(X > 350 + 4) = + = 0, 2
355 345 355 345
Logo, a proporo de latas problemticas de 20%. Note que essa uma proporo
bastante alta!

Exemplo 5.3 Determinao dos parmetros

Uma varivel aleatria X tem distribuio uniforme no intervalo [a, b] com mdia 7,5 e
varincia 6,75. Determine os valores de a e b, sabendo que b > a > 0.
Soluo:
a+b

= 7, 5

2
(b a) = 6, 75

2

12

Da segunda equao, resulta que (b a)2 = 81 e, portanto, |b a| = 81. Como estamos
supondo que a < b, resulta que b a = 9, o que nos leva ao sistema

a + b = 15
ba=9
cuja soluo a = 3 e b = 12, ou seja, X U(3, 12).

5.2 Distribuio Exponencial
Suponha que eventos ocorram ao longo do tempo e que o nmero de eventos ocorridos
dentro de um intervalo de tempo unitrio possa ser considerado uma varivel aleatria com
5.2. DISTRIBUIO EXPONENCIAL 109
distribuio de Poisson de mdia . A motivao principal para a criao da distribuio

exponencial vem da distribuio do tempo at a ocorrncia do primeiro evento.
Seja T o instante em que ocorre o primeiro evento. Veja que T varivel aleatria.
Quais os valores possveis para T , ou seja, quem Im(T )? Im(T ) = (0, ). Vamos encontrar
a distribuio da varivel aleatria T .
Primeiro vamos buscar a funo de distribuio da varivel aleatria T .
FT (t) = P(T t) = 1 P(T > t) = 1 P(no ocorrer evento algum em(0, t)).
Seja X = nmero de ocorrncias dentro do intervalo (0, t). Ento X Poi(t) e pX (x) =
(t)x t
e . Assim,
x!
P(T > t) = P(X = 0) = et FT (t) = 1 et .
Para encontrar a funo densidade basta derivar FT em relao t. Assim temos,

d
fT (t) = FT (t) = et .
dt
Uma varivel aleatria com essa distribuio chamada de Exponencial, como mostra
a Definio 5.4 a seguir.
Definio 5.4 Distribuio Exponencial

Uma varivel aleatria X contnua tem distribuio exponencial com parmetro se sua
funo densidade de probabilidade dada por
ex , x > 0

f(x) =
0 ,x 0
Como essa funo depende apenas do valor de , esse o parmetro da densidade

exponencial.
Veja que a distribuio Exponencial tem apenas um parmetro, . O espao paramtrico

para ele > 0, uma vez que indica o nmero mdio de ocorrncias em um intervalo de
tempo unitrio.
Usaremos a seguinte notao para indicar que uma varivel aleatria tem distribuio
exponencial com parmetro : X exp().
Funo Densidade e Funo de Distribuio
No incio dessa seo j encontramos a funo densidade e a funo de distribuio de

uma varivel aleatria X exp(). S para relembrar, essas funes so
FX (x) = 1 ex , x > 0 e fX (x) = ex , x > 0.
Veja nas Figuras 5.4(a) e 5.4(b) os grficos da funo densidade e de distribuio,

respectivamente, para X exp(2).
(a) Funo Densidade (b) Funo de Distribuio
Figura 5.4 Distribuio Exponencial com = 2.
Esperana e Varincia
Vamos fazer as contas para encontrar E(X ) e Var(X ) para X exp(). Para o clculo
de E(X ) faremos primeiro uma integrao por partes e em seguida por substituio.
Z

x
Z
x x x ex 1
E(X ) = xe dx = xe + e dx = 0 lim xe = .
0 0 x 0
0
Portanto,
1
X exp() E (X ) = . (5.4)

Vamos agora calcular E(X 2 ) para depois encontrar Var(X ). Novamente faremos uma
integrao por partes.
Z Z
x 2 ex dx = x 2 ex + 2xex dx
2
E(X ) =
0 0
0
Z Z
2 x x
xex dx =
2 2 2
= 0 lim x e +2 xe dx = E(X ) = 2 .
x 0 0
Assim chegamos no resultado,
2 1 1
Var(X ) = E(X 2 ) E(X )2 = = 2.
2 2
Portanto,
1
X exp() Var (X ) = . (5.5)
2
Exemplo 5.5 Relao entre Poisson e Exponencial
Suponha que o nmero de acidentes em uma rodovia seja uma varivel aleatria de Poisson
com mdia de 1 acidente a cada 3 dias.
(a) Qual a probabilidade do primeiro acidente do ms acontecer antes do terceiro dia?
(b) Qual a probabilidade de no ser registrado acidente algum na primeira semana do ms?
Soluo:
Cada um dos dois itens pode ser feito usando a distribuio Poisson ou Exponencial. Faremos
dos dois jeitos.
5.2. DISTRIBUIO EXPONENCIAL 111
(a) Primeiro faremos pensando na distribuio de X = nmero de acidentes nos primeiros

2 dias do ms. Queremos encontrar P(X > 0). Veja que X Poi( = 2/3). Logo,
P(X > 0) = 1 P(X = 0) = 1 e2/3 .
Podemos resolver o mesmo exerccio a partir da varivel Y = intervalo de tempo (em
dias) at o primeiro acidente. Queremos P(Y < 2). Veja que Y exp( = 1/3). Logo,
P(Y < 2) = FY (2) = 1 e2/3 .
(b) Vamos primeiro resolver a partir de X = nmero de acidentes na primeira semana.

Queremos P(X = 0). Veja queX Poi( = 7/3). Logo, P(X = 0) = e7/3 .
Podemos resolver o mesmo exerccio a partir da varivel Y = intervalo de tempo (em
dias) at o primeiro acidente. Queremos P(Y > 7). Veja que Y exp( = 1/3). Logo,
P(Y > 7) = 1 FY (7) = e7/3 .

Exemplo 5.6
Seja X uma varivel aleatria exponencial com mdia 4. Calcule
(a) P(X > 1)
(b) P(1 X 2)
Soluo:
(a) A funo densidade de X fX (x) = 41 ex/4 e a funo de distribuio F (x) = 1 ex/4 .

Podemos resolver essa questo por integrao da funo densidade
Z Z
x
1 x
P(X > 1) = f(x)dx = e 4 dx = e 4 = 0 (e0,25 ) = e0,25 = 0, 7788
1 1 4 1
ou pelo uso direto da funo de distribuio
P(X > 1) = 1 P(X 1) = 1 F (1) = 1 [1 e1/4 ] = e0,25 = 0, 7788
(b)
P(1 X 2) = P(X 2) P(X < 1)

= P(X 2) P(X 1)
= F (2) F (1) = [1 e2/4 ] [1 e1/4]
= e0,25 e0,5 = 0, 17227

Parametrizao Alternativa
Muitos livros apresentam a distribuio exponencial em termos do parmetro = 1

> 0.
Neste caso, a funo densidade passa a ser
1 x/
fX (x) = e ,x > 0
0 x 0.
Alm disso, usando essa nova parametrizao temos:
E(X ) = , E(X 2 ) = 2 2 e Var(X ) = 2 .

Exemplo 5.7
Seja X varivel aleatria com distribuio exponencial. Calcule P(X > E(X )).
Soluo:
Vamos usar a notao alternativa, mas poderia ser resolvida pela notao tradicional sem
problema algum.
h i
P(X > E(X )) = 1 P(X E(X )) = 1 F (E(X )) = 1 1 e/ = e1
Note que essa a probabilidade de uma varivel aleatria exponencial ser maior que o seu
valor mdio; o que mostramos que essa probabilidade constante, qualquer que seja o
parmetro.

Propriedade de Falta de Memria
Nessa seo vamos apresentar o conceito de falta de memria de uma varivel aleatria
contnua. Em seguida vamos mostrar que a distribuio exponencial segue tal propriedade.
Definio 5.8 Propriedade de Falta de Memria - v.a. Contnua

Seja X uma varivel aleatria contnua e a e nmeros reais quaisquer. Se,
P(X > a + | X > a) = P(X > )
ento dizemos que X tem a propriedade de falta de memria.
Queremos mostrar nessa seo que uma varivel aleatria com distribuio exponencial
tem a propriedade de falta de memria.
Seja X exp(), ento
P(X > a + e X > a) P(X > a + )

P(X > a + | X > a) = =
P(X > a) P(X > a)
1 P(X a + ) e(a+)
ea
= =
1 P(X a)
ea e)
= e
ea
=
= P(X > ).
Exemplo 5.9
Ao comprar um carro usado voc no perguntou para o antigo dono quando foi a ltima vez
que ele trocou a bateria. O fabricante da bateria diz que o tempo de vida de cada bateria
pode ser considerado uma varivel aleatria exponencial com mdia de 4 anos. Sabendo que
a bateria est funcionando quando o carro foi comprado, qual a probabilidade de voc no
precisar trocar essa bateria pelos prximos 2 anos?
Soluo:
Considere X = tempo de vida (em anos) da bateria e a = tempo (em anos) desde que a bateria
atual foi instalada at a compra do carro. O que queremos encontrar
P(X > a + 2|X > a).

5.3. DISTRIBUIO GAMA 113
Sabemos que X exp( = 1/4), mas no conhecemos o valor de a. Porm essa informao
no necessria, uma vez que a distribuio exponencial tem a propriedade de falta de
memria. Nesse caso temos, pela propriedade da falta de memria (Definio 5.8),
P(X > a + 2|X > a) = P(X > 2) = 1 P(X 2) = 1 FX (2) = e 4 2 = e 2 = 0, 6065.

1 1

5.3 Distribuio Gama
A Funo Gama
Para apresentar a distribuio Gama primeiro precisamos conhecer a funo Gama e

suas propriedades.
Definio 5.10 Funo Gama

Chama-se funo Gama a funo de varivel real, estritamente positiva, definida por:
Z
() = x 1 ex dx , > 0
0
Veja que a funo no negativa, uma vez que a funo x 1 ex 0, qualquer que
seja > 0 e x > 0.
Alm disso, o que no ser demonstrado nessa apostila, () um nmero real sempre
Rque > 0, isto , a integral acima converge
R 1 qualquer que seja > 0. E se 0 a integral
1 x x dx = .
0 x e dx no converge, isto , 0 x e
A seguir veremos 3 propriedades importantes, e bastante teis, da funo .

Proposio 5.11
Seja a funo apresentada na Definio 5.10. Ento valem as seguintes propriedades.
() R
(G1) Dados > 0 e > 0, = 0 x 1 ex dx.

(G2) Dado > 1, () = ( 1)( 1).
(G3) Dado n {1, 2, 3, . . .}, (n) = (n 1)!.
Demonstrao:
(G1) Para
R mostrar essa propriedade basta fazer contas e mostrar que () =
0 x 1 ex dx, qualquer que seja > 0. Para isso, nas contas a seguir, logo de
incio faremos a substituio y = x/ (ou x = y), supondo > 0.
Z Z Z
1 x 1 y
() = x e dx = (y) e dy = y1 ey dy
0 0 0
(G2) Vamos tentar resolver a integral que define a funo por partes. Logo de incio faremos
ento: u = x 1 du = ( 1)x 2 dx e dv = ex dx v = ex .
Z Z
x 1 ex dx = x 1 ex + ex ( 1)x 2 dx

() =
0
Z0 0
Z
= ex ( 1)x 2 dx = ( 1) x 2 ex dx = ( 1)( 1).
0 0
(G3) Por ltimo vamos considerar = n inteiro positivo. Usando o resultado da Propriedade
(G2) podemos demonstrar, por induo, que (n) = (n 1)!.
Primeiro veja que a afirmao verdadeira para n = 1, isto , que (1) = 0! = 1.
Z Z
11 x
(1) = x e dx = ex dx = 1.
0 0
Agora, supondo que verdade para n qualquer, isto, supondo que (n) = (n 1)!,
vejamos que isso implica em ser verdade para n + 1. Vamos comear usando o resultado
da Propriedade (G2).
(n + 1) = n(n) = n(n 1)! = n!

Funo Densidade
Definio 5.12 Distribuio Gama

Uma varivel aleatria contnua X tem distribuio gama com parmetros > 0 e > 0
se sua funo densidade dada por

1 1 x
x e , se x > 0
fX (x) = ()
0 , caso contrrio.
Note que, quando = 1, resulta a densidade exponencial com parmetro , ou seja, a

densidade exponencial um caso particular da densidade gama.
Os parmetros da distribuio gama so e . O espao paramtrico para tais

parmetros definido por > 0 e > 0. Usaremos a notao X gama(; ) para indicar
que a varivel aleatria X tem distribuio gama com parmetros , .
Para verificar que a funo apresentada na Definio 5.12 realmente define uma funo
densidade, notamos inicialmente que f(x) 0. Alm disso, fazendo o uso da propriedade (G1),
apresentada na Proposio 5.11, temos
Z Z Z
1 1 x
fX (x)dx = x e = x 1 ex = 1.
0 () ()
|0 {z }
()

Logo, as duas condies para uma funo densidade so satisfeitas.
Esperana e Varincia
Seja X gama(, ). Queremos encontrar E(X ) e Var(X ). Vamos comear pela

esperana. Nas contas a seguir faremos o uso das Propriedades ?? e (G2) apresentadas
na Proposio 5.11.
Z Z Z
1 1 x
E(X ) = xfX (x)dx = x x e = x ex
0 () () 0
( + 1) ()
() +1 () +1
= = =

Portanto,

X gama(, ) E (X ) = . (5.6)

De modo anlogo, vamos calcular E(X 2 ).

Z Z Z
1 1 x
2
E(X ) = x fX (x)dx =
2
x x e
2
= x +1 ex
0 () () 0

( + 2)
( + 1)() ( + 1)
() +2 +2
= = =
() 2
Logo,
( + 1) 2 ( + 1) 2
Var(X ) = E(X 2 ) E(X )2 = = = 2
2 2 2
Portanto,

X gama(, ) Var (X ) = . (5.7)
2
Parametrizao Alternativa
Assim como no caso da distribuio exponencial, a distribuio gama tambm tem uma
parametrizao alternativa, onde em vez do parmetro usado o parmetro = 1 > 0.
Neste caso, a funo densidade passa a ser

x 1 ex/
1
, se x > 0

fX (x) = ()
0 , caso contrrio.
Alm disso, usando essa nova parametrizao temos:
E(X ) = , E(X 2 ) = ( + 1) 2 e Var(X ) = 2 .
Os Grficos da Funo Densidade da Gama
Nessa seo foi considerada a parametrizao alternativa para a distribuio gama.
Qualquer que seja o valor do parmetro , temos que
lim f(x) = 0
x

0 , se 1
lim f(x) =
x0
, se < 1

Vamos, agora, calcular as derivadas primeira e segunda de f para estudar pontos de

mximo, mnimo, regies de crescimento ou decrescimento, concavidade.
Derivada primeira

0 1 2 x/ 1 1 x/
f (x) = ( 1)x e x e
()

1 2 x/ 1
x e 1 x
()
= (5.8)

O sinal da derivada primeira depende do sinal de

1
g(x) = 1 x

Vamos analisar a derivada primeira estudando o comportamento de g.
1
Como x > 0, resulta que f 0 (x) < 0, ou seja, se 1 a densidade gama uma funo
estritamente decrescente.
>1
f 0 (x) = 0 x = ( 1)
f 0 (x) > 0 x < ( 1) f crescente
0
f (x) < 0 x > ( 1) f decrescente
Logo,
x0 = ( 1) um ponto de mximo
Derivada segunda
" #
( 2)( 1)x 3 ex/ 1 ( 1)x 2 ex/ 1 ( 1)x 2 ex/
f 00 (x) =
1
() + 12 x 1 ex/

1 3 x/ 2 1 2
x e ( 2)( 1) ( 1)x + 2 x
()
=

( )
3 x/
h
1 x e i
( 2)( 1) 2( 1)x + x
2 2
()
= (5.9)
2
O sinal da derivada segunda depende do sinal da expresso entre colchetes, que uma
funo do segundo grau. Vamos denotar essa expresso por h(x), de modo que
h(x) = x 2 2( 1)x + 2 ( 2)( 1)
Vamos, agora, analisar o sinal da derivada segunda da densidade gama, estudando o

sinal do discriminante da equao dada pela expresso de h(x), para analisar a concavidade
da densidade gama:
= 4 2 ( 1)2 4 2 ( 2)( 1) = 4 2 ( 1) ( 1 + 2) = 4 2 ( 1)
<1
Nesse caso, o discriminante negativo e a equao no tem razes reais e ter sempre
o sinal do coeficiente do termo quadrtico, que 1. Assim, neste caso, a concavidade
para cima. Resumindo, se < 1 a densidade gama decrescente com concavidade
para cima.
=1
Nesse caso, o discriminante nulo e h(x) = x 2 0; logo, a concavidade para cima, ou
seja, se = 1 a densidade gama decrescente com concavidade para cima.
>1
Neste caso, o discriminante sempre positivo, ou seja, temos duas raizes reais distintas,
calculadas da seguinte forma:
2 1
( 2)( 1) ( 1)x + 2 x 2 = 0

( 2)( 1) 2( 1)x + x 2 = 0
2

2( 1)
x=
p 2
2( 1) 2 ( 1)( 1 + 2)
x=
2
x = ( 1) 1

x = 1 11
o que fornece as razes

r1 = 1 11

r2 = 1 1+1

A raiz r2 sempre positiva. J a raiz r1 s ser positiva se 1 1 > 0, ou seja,
se > 2.
Considerando a funo de segundo grau h(x) que define o sinal da derivada segunda,
vemos que o coeficiente do termo quadrtico 1; assim, a funo negativa (sinal oposto
ao de a) para valores de x entre as razes, e positiva (mesmo sinal de a) fora das razes.
Veja a Figura 5.5; a podemos ver que, se > 2, a derivada segunda muda de sinal
em dois pontos dentro do domnio de definio da densidade gama. Isso no ocorre se
< 2 (ou = 2), uma vez que, neste caso a menor raz negativa (nula).
Mais precisamente, temos a seguinte situao:
? >2
f 00 (x) < 0 se r1 < x < r2

f 00 (x) > 0 se x > r2 ou x < r1

ou seja, a funo densidade cncava para cima se se x > 1 1+1

ou x < 1 1 1 e cncava para baixo se 1 11 <

x < 1 1 + 1 , o que indica a ocorrncia de dois pontos de inflexo:
r1 e r2 .
>2 + +
0 r1 r2
1< <2 + +
r1 0 r2
=2 + +
r1 =0 r2
Figura 5.5 Ilustrao do sinal da derivada segunda da funo densidade gama para > 1.
? 1<2
f 00 (x) < 0 se 0 < x < r1
f 00 (x) > 0 se x > r2

ou seja, a funo densidade gama cncava para cima
se x
>
1 1 + 1 e cncava para baixo se 0 < x < 1 11 ,
o que indica a ocorrncia de apenas um ponto de inflexo em r2 .
Na tabela 5.1 temos um resumo do comportamento da densidade gama em funo do

parmetro .
Tabela 5.1 Caractersticas do grfico da densidade gama em funo do parmetro
0<1 Estritamente decrescente Cncava para cima
Ponto de inflexo:

Ponto de mximo: r2 = 1 1+1
1<2 x0 = ( 1) Concavidade:
para cima se x > r2
para baixo se x < r2
Crescente
x < ( 1) Pontos de inflexo:

r1 = 1 11

>2 r2 = 1 1+1
Decrescente Concavidade:
x > ( 1) para cima se x < r1 ou x > r2
para baixo se r1 < x < r2
Em cada uma das Figuras 5.6 e 5.7, o parmetro est fixo e temos o grfico
da funo densidade para = 1, 2, 4. Nas Figuras 5.8 e 5.9, fixamos o parmetro e
variamos . Analisando esses grficos,podemos ver que tem grande influncia sobre a
forma da distribuio, enquanto afeta mais fortemente a disperso. Por essas razes,
chamado parmetro de forma da densidade gama e o parmetro de escala.
Figura 5.6 Efeito do parmetro Figura 5.7 Efeito do parmetro

= 2; = 1, 2, 4 = 4; = 1, 2, 4
Figura 5.8 Efeito do parmetro Figura 5.9 Efeito do parmetro

= 2; = 1, 2, 3 = 5; = 1, 2, 3
Na Figura 5.9 esto marcados os 2 pontos de inflexo de cada densidade.
Casos Particulares da Distribuio Gama
Nessa seo voltamos a trabalhar com a parametrizao tradicional da gama, com os

parmetros e . Veremos a seguir trs casos particulares da distribuio Gama, entre eles
a distribuio Exponencial, como j comentado ao longo do texto.
Distribuio Exponencial
Quando, na distribuio gama, o parmetro = 1 temos a distribuio exponencial com

parmetro . Nesse caso, para x > 0, sua funo densidade definida por
1 11 1 x
fX (x) = x e = ex .
(1)
Alm disso,
1 1
E(X ) = e Var(X ) = .
2
Veja que os resultados acima batem com aqueles encontrados na seo 5.2.
Distribuio de Erlang
Quando o parmetro da distribuio gama um inteiro positivo, = k, a distribuio

gama conhecida como distribuio de Erlang de ordem k e sua funo densidade, para
x > 0, definida por:
1 k1 k x
x k1 k ex
1
fX (x) = x e =
(k) (k 1)!
Ou seja, se X tem distribuio de Erlang de ordem k e parmetro (notao: X Erlk ()),
a sua funo densidade :

x k1 k ex , se x > 0
1
fX (x) = (k 1)! (5.10)
0 , caso contrrio.
Alm disso,
k k
E(X ) = e Var(X ) = .
2
Distribuio Qui-quadrado
Quando, na distribuio gama, o parmetro de forma igual a n2 , com n inteiro positivo,

e o parmetro 12 a distribuio chamada de distribuio Qui-quadrado com n graus de
liberdade e a sua funo densidade, para x > 0 definida por:
n/2
e(1/2)x = x (n/2)1 ex/2 .
1 1 1
fX (x) = x (n/2)1
(n/2) 2 (n/2)2n/2
Ou seja, se X tem distribuio Qui-quadrado com n graus de liberdade (notao: X n2 ), a
sua funo densidade

x (n/2)1 ex/2 , se x > 0
1
fX (x) = (n/2)2n/2 (5.11)
0 , caso contrrio.
Alm disso,
n/2 n/2
E(X ) = =n e Var(X ) = = 2n.
1/2 (1/2)2
5.4 Distribuio Beta
A Funo Beta
Antes de apresentarmos a distribuio Beta precisamos conhecer a funo Beta.
Definio 5.13 Funo Beta

Chama-se funo Beta a funo de duas variveis, estritamente positiva, definida por:
Z 1
Beta(, ) = x 1 (1 x)1 dx , > 0 e > 0.
0
5.4. DISTRIBUIO BETA 121
Proposio 5.14 Relao entre funo Beta e funo Gama
()()
Beta(, ) = .
( + )
Demonstrao:
A demonstrao desta proposio utiliza integrao dupla e como esse conceito ainda no foi
visto pela maioria dos alunos, ela ser omitida.

Como consequncia imediata da Proposio 5.14, temos os resultados apresentados no

Corolrio 5.15 a seguir.
Corolrio 5.15 Seja Beta a funo apresentada na Definio 5.13. Ento,
(i) Beta uma funo real, isto , > 0 e > 0 tem-se Beta(, ) < .
(ii) Beta(, ) = Beta(, ), isto , Beta uma funo comutativa.
Funo Densidade
Definio 5.16 Distribuio Beta

Uma varivel aleatria contnua X tem distribuio beta com parmetros > 0 e > 0
se sua funo densidade dada por

x 1 (1 x)1 , se 0 < x < 1
1
fX (x) = Beta(, )
0 , caso contrrio.
Os parmetros da distribuio Beta so e , e o espao paramtrico definido por:

> 0 e > 0. A notao usada para indicar que uma varivel aleatria X segue a distribuio
Beta X beta(, ).
Veja que se X beta(, ) os valores que essa varivel aleatria pode assumir so:
Im(X ) = (0, 1). Alm disso, se X beta(1, 1) ento X U(0, 1).
Note que fX apresentada na Definio 5.16 de fato funo densidade, uma vez que
fX (x) 0 x R e
Z Z 1
x 1 (1 x)1 dx
1
fX (x)dx =
0 Beta(, )
Z 1
x 1 (1 x)1 dx
1
=
Beta(, ) 0
1
= Beta(, ) = 1.
Beta(, )
Usando a relao entre as funes e Beta podemos reescrever a funo densidade

da distribuio Beta por:

( + ) 1
x (1 x)1 , se 0 < x < 1

fX (x) = ()()
0 , caso contrrio.
Esperana e Varincia
Para os clculos a seguir vamos usar muito a relao entre as funes Beta e , alm
das propriedades da funo , j vistas na Propriedade 5.11. Vamos comear calculando E(X ).
Z Z 1 Z 1
1 1
x (1 x)1 dx
1 1
E(X ) = xfX (x)dx = x x (1 x) dx =
0 Beta(, ) Beta(, ) 0
1 ( + ) ( + 1)

() ( + ) ( + 1)
= Beta( + 1, ) = ( + + 1) = () ( + + 1)
Beta(, ) ()
()
)

( +
()
=
= .
() ( + )

+ )
( ( + )
Portanto,

X beta(, ) E (X ) = . (5.12)
+
O clculo para E(X 2 ) bem parecido com o que acabamos de fazer para E(X ).
Z Z 1
x 1 (1 x)1 dx
1
2
E(X ) = x fX (x)dx =
2
x2
0 Beta(, )
Z 1
x +1 (1 x)1 dx =
1 1
= Beta( + 2, )
Beta(, ) 0 Beta(, )
( + ) ( + 2)
() ( + ) ( + 2)
= =
() ( + + 2)

() () ( + + 2)
( + ) )

( + 1)() (
+ ( + 1)

()
= =
() ( + + 1)( + )( + ) ( + + 1)( + ) ( )

()
+
( + 1)
=
( + + 1)( + )
Ento,
( + 1) 2
Var(X ) = E(X 2 ) E(X )2 =
( + + 1)( + ) ( + )2

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

= .
( + + 1)( + )2
Portanto,

X beta(, ) Var (X ) = . (5.13)
( + + 1)( + )2
Exemplo 5.17
A percentagem de impurezas por lote, em um determinado produto qumico, uma varivel
aleatria com distribuio beta de parmetros = 3 e = 2. Um lote com mais de 40% de
impurezas no pode ser vendido.
5.5. DISTRIBUIO DE WEIBULL 123
(a) Qual a probabilidade de que um lote selecionado ao acaso no poder ser vendidos
por causa do excesso de impurezas?
(b) Quantos lotes em mdia so selecionados ao acaso at que se encontre um que no

pode ser vendidos por causa do excesso de impurezas?
(c) Qual a porcentagem mdia de impurezas nos lotes desse produto qumico?
Soluo:
(a) Seja Y =percentagem de impurezas em um lote. Queremos encontrar P(Y > 0, 4).
Pelo enunciado temos que Y beta(3, 2). Ento, a funo densidade de Y , para
0 < y < 1, definida por:
1 (3 + 2) 2
fY (y) = y31 (1 y)21 = y (1 y)
Beta(3, 2) (3)(2)
4!
= y2 (1 y) = 12y2 (1 y), 0 < y < 1.
2! 1!
Ento,
Z Z 1 Z 1
P(Y > 0, 4) = fY (y)dy = 12y (1 y)dy = 12
2
y2 y3 dy
0,4 0,4 0,4
1
y3 y4 1 1 0, 43 0, 44
= 12 = 12 + = 0, 8208.
3 4 0,4 3 4 3 4
(b) Seja W = nmeros de lotes selecionados ao acaso at que se encontre um que no pode
ser vendido por excesso de impureza. Queremos E(W ). Veja que W geo(p = 0, 8208).
Ento, E(W ) = p1 = 1, 218.
(c) Nesse item queremos E(Y ). Como Y beta(3, 2) sabemos que E(Y ) = 53 0, 6. Ou seja, a
porcentagem mdia de impurezas nos lotes desse produto qumico de 60%.

5.5 Distribuio de Weibull
Assim como no caso das distribuies anteriores, a definio de uma varivel aleatria
com distribuio de Weibull ser feita a partir da definio da sua funo densidade.
Funo Densidade
Definio 5.18 Distribuio de Weibull

Uma varivel aleatria X tem distribuio de Weibull com parmetros > 0 e > 0 se
sua funo densidade de probabilidade dada por

x

f(x) = x 1 e , x>0 (5.14)

Logo, de acordo com a Definio 5.18, a distribuio de Weibull tem dois parmetros,
e , e o espao paramtrico > 0 e > 0. Alm disso, Se X tem distribuio de Weibull
com parmetros e (X W eibull(, )), os valores que X pode assumir esto no intervalo
(0, ), isto , Im(X ) = (0, ).
Alguns autores (ver Rohatgi (2008), por exemplo) usam um novo parmetro em vez de
ou em vez de 1/ (ver Magalhes (2011), por exemplo).
Para mostrar que (5.14) define uma densidade, vamos mostrar que sua integral 1. Para
tal, note que podemos reescrever 5.14 como
x 1 x

f(x) = e , x>0 (5.15)

Fazendo a mudana de varivel:

x 1

x
u= = du = , ento x = 0 = u = 0 e x = = u = .

Assim obtemos 1 x
Z Z
x
e dx = eu du = 1.
0 0
Funo de Distribuio
No caso da distribuio de Weibull possvel encontrar a sua funo de distribuio

tambm parametrizada por e .
Por definio,
Z x 1 t
t
F (x) = e dt
0
Fazendo a mudana de varivel

t 1

t x
u= = du = , ento t = 0 = u = 0 e t = x = u = .

Logo,
Z x

Z x 1 t x

t
u u
x
F (x) = e dt = e du = e 0 =1e .
0 0
Portanto,

, x0
X W eibull(, ) FX (x) =
0

1 e(x/) , x>0
(5.16)
Esperana e Varincia
Para encontrar a esperana e a varincia de X W eibull(, ) vamos calcular E(X r )

para qualquer r inteiro positivo. Assim, para achar E(X ) basta fazer r = 1 e para encontrar
E(X 2 ) basta fazer r = 2.
Z 1 x
r x
E(X ) = e x r dx
0
5.6. DISTRIBUIO DE PARETO 125
Fazendo u = x , resulta que x = u e dx = du; logo

Z 1 x Z
r x 1 u r r
E(X ) = e x r dx = u e u du

Z0 0

= u1 eu r ur du
0
Fazendo u = t resulta que u = t 1/ e u1 du = dt; logo,

Z r Z
r t r r
E(X ) = e t 1/
dt = t r/ et dt
0 0
Z Z r +
r+
r r/+11 t r
= t e dt = t 1 et dt = r
0 0
Fazendo r = 1, obtemos E(X ):

+1
X W eibull(, ) E(X ) = (5.17)

Fazendo r = 2 obtemos E(X 2 ) e, consequentemente Var(X ).

+2
E(X ) =
2 2

e, portanto,

+2 2 +1
X W eibull(, ) Var(X ) =
2
(5.18)

5.6 Distribuio de Pareto
Novamente, a definio de uma varivel aleatria com distribuio de Pareto ser feita
a partir da definio da sua funo densidade.
Funo Densidade
Definio 5.19 Densidade de Pareto

Uma varivel aleatria X tem distribuio de Pareto com parmetros > 0 e b > 0 se
sua funo densidade de probabilidade dada por
+1
b
, se x b
f(x) =
b x
0 , se x < b
Logo, de acordo com a Definio 5.19, a distribuio de Pareto tem dois parmetros,
e b, e o espao paramtrico > 0 e b > 0. Alm disso, Se X tem distribuio de Pareto
com parmetros e b (X Pareto(, b)), os valores que X pode assumir esto no intervalo
(b, ), isto , Im(X ) = (b, ).
Para mostrar que f(x) realmente define uma funo densidade de probabilidade resta
provar que a integral 1, uma vez que f(x) 0.
Z +1 Z

b 1 x
dx = b x dx = b
b b x b
b
Essa integral converge apenas se < 0 ou equivalentemente, > 0, pois nesse caso
limx x = limx x1 = 0. Satisfeita esta condio, temos que

x = 0 b b = 1
b
b
Na Figura 5.10(a) ilustra-se a funo densidade de Pareto para = 3 e b = 2.
Funo de Distribuio
No caso da distribuio de Pareto tambm possvel encontrar a sua funo de

distribuio parametrizada por e .
Por definio, F (x) = P(X x) = 0 se x < b. Para x b,

Z x +1
t x
Z x
b
F (x) = P(X x) = dt = b t 1 dx = b
b b t b b

b
= b x b = 1

.
x
Portanto,

0 , se x < b
X Pareto(, b) FX (x) = b
(5.19)
1 x , se x b
Na Figura 5.10(b) ilustra-se a funo de distribuio de Pareto com paretros = 3 e

b = 2.
(a) Funo Densidade (b) Funo de Distribuio
Figura 5.10 Distribuio de Pareto com parmetros = 3 e b = 2.
Esperana e Varincia
Se X Pareto(, b) ento

b +1
Z Z
x +1

E(X ) = x dx = b x dx = b .
b b x b + 1 b
5.6. DISTRIBUIO DE PARETO 127
Para que essa integral convirja, temos que ter + 1 < 0, ou seja, > 1. Satisfeita
esta condio,
b+1 b+1

b
E(X ) = b 0 = = .
+ 1 1 1
Portanto,

b
, se > 1

X Pareto(, b) E(X ) = 1 (5.20)
no existe , se 1
Vejamos agora as contas para E(X 2 ).

+2
Z +1 Z
2 b +1 x
2
E(X ) = x dx = b x dx = b .
b b x b + 2 b
Para que essa integral convirja, temos que ter + 2 < 0, ou > 2. Satisfeita esta
condio,
b+2 b+2

b2
E(X ) = b 0 = = .
+ 2 2 2
Logo, se > 2,

b2 b 2 b2 ( 1)2 2 b2 ( 2)
Var(X ) = =
2 1 ( 1)2 ( 2)

b2 2 2 + 1 ( 2) b2 2 2 + 1 2 + 2
= =
( 1)2 ( 2) ( 1)2 ( 2)
b2
=
( 1)2 ( 2)
Portanto,

b2
, se > 2

X Pareto(, b)
( 1) ( 2)
Var(X ) = 2 (5.21)
no existe , se 1
Captulo 6
Funes de Variveis Aleatrias

Contnuas
Dada uma varivel aleatria contnua X com funo densidade fX , muitas vezes estamos
interessados em conhecer a densidade de uma outra varivel aleatria Y = g(X ) definida como
uma funo de X . Este o problema que vamos resolver nesse captulo.
Esse problema j foi abordado na Seo 2.2 para o caso de X ser variveis aleatrias
discretas. Na ocasio vimos que se X varivel aleatria discreta ento Y = g(X ) tambm
ser varivel aleatria discreta e o problema era resolvido definindo a funo de probabilidade
de Y a partir da funo de probabilidade de X .
No caso de X ser variveis aleatria contnua a soluo ser um pouco diferente.

Primeiro, no necessariamente Y = g(X ) ser varivel aleatria contnua, Y por ser contnua,
discreta e at mesmo uma varivel aleatria que no seja nem discreta nem contnua. Ento
buscar a funo de probabilidade de Y no uma soluo adequada. Neste caso iremos
buscar a funo de distribuio de Y , FY (y) = P(Y ), que est bem definida qualquer que
seja o tipo da varivel Y , e o primeiro mtodo considerado para tratar este tipo de problema
ser o denominado Mtodo da Funo de Distribuio.
6.1 Mtodo da Funo de Distribuio
Esse mtodo consiste em encontrar a funo de distribuio da varivel transformada

Y = g(X ) a partir da funo de distribuio de X . Se Y for varivel aleatria continua
podemos ento obter a sua funo densidade a partir da derivada da funo de distribuio,
j encontrada.
Para facilitar o desenvolvimento do mtodo veja o passo-a-passo a seguir.
Seja X varivel aleatria contnua, FX a sua funo de distribuio, fX a sua funo

densidade e Y = g(X ) a transformao que define Y como funo de X . Ento, para encontrar
FY a partir do mtodo da Funo de Distribuio siga os seguintes passos:
Passo 1) Faa um esboo do grfico de g. O eixo horizontal ser X e o eixo vertical Y .
Pbsso 2) Encontre Im(X ) e marque esse conjunto no eixo X do grfico de g.

130 CAPTULO 6. FUNES DE VARIVEIS ALEATRIAS CONTNUAS
Pcsso 3) A partir do grfico de g encontre Im(Y ). Marque esse conjunto no eixo Y do grfico de
g.
Pdsso 4) Escreva FY (y) = P(Y y) = P(g(X ) y) e, a partir de manipulaes algbricas,

encontre a relao entre FY e FX . Use o grfico de g j feito para te ajudar. Pode ser
que voc tenha que considerar diferentes regies para y R.
Pesso 5) Se voc conhece a expresso de FX , fim. Substitua e encontre a expresso para FY . Se

quiser encontrar fY , derive FY . Se voc conhece a expresso de FX continue.
Pfsso 6) Uma vez encontrada a relao entre FY e FX , derive os dois lados da equao para
encontrar uma relao entre fY e fX .
Pgsso 7) Substitua fX conhecida e encontre a expresso para fY .
Dois pontos importantes que devem ser verificados depois de encontrada FY ou fY , a

fim de detectar erros no desenvolvimento.
A Im(Y ) encontrada no Passo Pcsso 3) est de acordo com a Im(Y ) encontrada a partir
de FY ou fY ?
A funo FY ou fY segue as propriedades de funo de distribuio ou funo densidade,

respectivamente?
6.1.1 Caso em que g inversvel
Quando a funo g que relaciona as variveis X e Y inversvel, no teremos muito

problema em encontrar a funo de distribuio de Y ou a sua funo densidade. Para esses
casos as contas seguem sem preocupao.
Exemplo 6.1
Seja X exp() e Y = X + a, com a R e > 0. Encontre fY e esboce seu grfico.
Soluo:
Veja que Im(X ) = (0, ). Ento Im(Y ) = (a, ).
Veja que,
FY (y) = P(Y y) = P(X + a y) = P(X y a) = FX (y a).
Assim encontramos uma relao entre FY e FX :
FY (y) = FX (y a).
Ento, uma vez que

1 ex

, sex > 0
FX (x) =
0 , se x 0,
podemos escrever,
1 e(ya) , sey a > 0

FY (y) = FX (y a) =
0 , se y a 0,
1 e(ya) , sey > a

, se y a.
=
0
6.1. MTODO DA FUNO DE DISTRIBUIO 131
Se quisermos encontrar fY podemos derivar FY .
e(ya) , sey > a

d
fY (y) = FY (y) =
dy 0 , se y a.

Exemplo 6.2
Se X U(1, 1), calcule a funo densidade de Z = (X ) = eX .
Soluo:
As funo densidade e de distribuio de X U(1, 1) so

1 , se x 1
2 , se 1 < x < 1
0
fX (x) = e FX (x) = 1
(x + 1) , se 1 < x < 1
2
, se x 1.
0 , caso contrrio
1
Veja como ficam as imagens de Z = (X ).
1 < x < 1 e1 < z = (x) < ex .
Vamos s contas.
FZ (z) = P(Z z) = P(eX z) = P(X ln z) = FX (ln z)

z e1

0

(ln z + 1) e1 < z < e+1
1
=

2
1 z e1
Portanto
(
e1 < z < e+1
1
fZ (z) = FZ0 (z) = 2z
0 caso contrrio.

Esse mtodo tambm nos permite demonstrar alguns resultados importantes, como o
apresentado na Proposio 6.3 a seguir.
Proposio 6.3
Seja X gama(, ), Y = cx e c R. Ento, Y gama(, /c).
Demonstrao:
A demonstrao ser feita simplesmente aplicando o Mtodo da Funo de Distribuio para
obter fY . Veja que podemos escrever FY em termos de FX
y y
FY (y) = P(Y y) = P(cX y) = P X = FX .
c c
Como no conhecemos FX , e sim fX , vamos derivar para encontrar uma relao entre fY e fX .
d d y 1 y
fY (y) = FY (y) = FX = fX .
dy dy c c c
Sabemos que
1 x
fX (x) = x e , para x > 0,
()
ento,
y y 1 y y
fX = e c, > 0.
c () c c
1

y1 e c y , y > 0.
1
=
c ()
Portanto,
1 1 1 1 y

1 y
fY (y) = fX = y e c , y>0
c c c c ()
(/c) 1 y
= y e c , y > 0.
()
Com isso conclumos que Y gama(, /c).

Corolrio 6.4 Se X exp() e c R, ento Y = cX exp(/c).
Exemplo 6.5
Seja X varivel aleatria cuja funo densidade definida por:

(1 x)/2 , se 0 < x 1
fX (x) =
3(x 1)/2 , se 1 < x < 2
Encontre fY para Y = 1 X . Em seguida, esboce os grficos de fX e fY .
Soluo:
Sempre bom primeiro encontrar Im(X ) e Im(Y ). Veja que Im(X ) = (0, 2), logo Im(Y ) = (1, 1).
A partir do esboo do grfico de g(x) = 1 x fica fcil ver que o conjunto (0, 2) levando no
conjunto (1, 1) pela funo g.
Vamos agora buscar a relao entre FY e FX :
FY (y) = P(Y y) = P(1 X y) = P(X 1 y) = 1 FX (1 y).
Derivando temos a relao entre fY e fX :
d d
fY (y) = FY (y) = (1 FX (1 y)) = fX (1 y).
dy dy
Ento,

(1 (1 y))/2 , se 0 < (1 y) 1
fY (y) = fX (1 y) =
3((1 y) 1)/2 , se 1 < (1 y) < 2.

y/2 , se 0 y < 1
3y/2 , se 1 < y < 0.
=

3y/2 , se 1 < y < 0.
y/2 , se 0 y < 1
=

6.1.2 Caso em que g no inversvel
Quando a funo g, que relaciona as variveis X e Y , no inversvel, precisamos

redobrar o cuidado ao fazer as contas. Nesse caso, esboar e conhecer bem a funo g pode
ajudar bastante. Vejamos alguns exemplos.
Exemplo 6.6
Se X U(1, 1), calcule a funo densidade das seguintes variveis aleatrias
(a) Y = g(X ) = X 2
(b) W = h(X ) = |X |
Soluo:
Como j vimos, as funo densidade e de distribuio de X U(1, 1) so:

1 , se x 1
, se 1 < x < 1
0
fX (x) = 2 e FX (x) = 1
(x + 1) , se 1 < x < 1
2
, se x 1.
0 , caso contrrio
1
Veja como ficam as imagens de Y e W .

0 y = g(x) < 1
1 < x < 1
0 w = h(x) < 1
(a) Para calcular a densidade de Y = g(X ) = X 2 devemos notar que
FY (y) = P(Y y) = P(X 2 y)

se y 0

0
= P yX y se 0 < y < 1
se y 1

1

se y 0

0
= FX y FX y se 0 < y < 1
se y 1

1
e, portanto

d d

FX y dy FX y se 0 < y < 1
fY (y) = dy
0 caso contrrio
(
FX0 y 21 y FX0 y 21 y

se 0 < y < 1
=
0 caso contrrio
( 1 1
fX y 2y + fX y 2y se 0 < y < 1
=
0 caso contrrio

Como 0 y < 1 e 1 < y 0, resulta que fX y = fX y = 12 . Logo

1

se 0 < y < 1
fY (y) = 2 y

0 caso contrrio
(b) De modo anlogo, para 0 w < 1
FW (w) = P(W w) = P(|X | w)

0 se w 0
= P(w X w) se 0 < w < 1
se w 1

1

0 se w 0
= FX (w) FX (w) se 0 < w < 1
se w 1

1
e, portanto
FX0 (w) FX0 (w)(1)

0 se 0 < w < 1
fW (w) = FW (w) =
0 caso contrrio

fX (w) + fX (w) se 0 < w < 1
=
0 caso contrrio
Como 0 w < 1 e 1 < w 0, resulta que fX (w) = fX (w) = 21 . Logo

se 0 < w < 1
fW (w) =
1
0 caso contrrio
Note que W U(0, 1).

Os dois exemplos a seguir mostram que, mesmo X sendo varivel aleatria contnua,
Y = g(X ) no necessariamente contnua.
Exemplo 6.7
Seja X U(0, 1) e
1 , se X p
Y =
0 , se X > p
para algum 0 < p < 1. Encontre a funo distribuio de Y e classifique esta varivel
aleatria.
Soluo:
Veja que Im(Y ) = {0, 1}. Logo, j de incio, sabemos que Y ser varivel aleatria discreta,
pois a sua imagem um conjunto finito.
Nesse caso podemos encontrar primeiro P(Y = 0) e P(Y = 1), depois encontramos a
funo de distribuio FY .
P(Y = 0) = P(X > p) = 1 FX (p) = 1 p e P(Y = 1) = P(X p) = FX (p) = p.
Veja ento que Y Bernoulli(p) e, portanto, a sua funo de distribuio definida

por:
0 , se y < 0
FY (y) = 1 p , se 0 y < 1
, se y 1.

1

Exemplo 6.8 James (2004) ex.9a pg.89

Seja X uma v.a. contnua com funo densidade
(
1
, x>0
fX (x) = (1+x)2
0 , caso contrrio.
Defina Y = max{X , c}, em que c > 0, c R. Ache a funo de distribuio de Y e classifique

esta varivel aleatria como discreta, contnua ou nem discreta e nem contnua.
Soluo:
Primeiro faa o grfico da funo g(X ) = max{X , c}, veja Figura 6.1 abaixo. A partir do grfico
Figura 6.1 Grfico da funo g(X ) = max{X , c}.
de g possvel concluir que se Im(X ) = (0, ), ento Im(Y ) = [c, ).
Queremos encontrar FY . Veja que se y < c, FY (y) = P(Y y) = 0. J se y c, de

acordo com o grfico,
FY (y) = P(Y y) = P(X y) = FX (y).
Ento,
, se y < c
FY (y) =
0
FX (y) , se y c.
Vamos encontrar a funo FX para ento definir a funo FY .
(
Z x , se x < 0
FX (x) = fX (t)dt = R0 x
0 (1+t)2 dt , se x 0.
1

Veja que, para x > 0,

x
Z Z
1 1+x
1 1 1+x 1 x
dt = du = = 1 + = .
0 (1 + t)2 1 u2 u 1 1+x 1+x
Ento,
, se x < 0
FX (x) =
0
x
1+x , se x 0.
Assim podemos encontrar FY .

0 , se y < c
FY (y) = y
1+y , se y c.
Podemos verificar que FY uma funo que satisfaz as propriedades da funo de

distribuio (Proposio 1.16). Mas FY no uma funo contnua, logo Y no varivel
aleatria contnua. Tambm podemos ver que Im(Y ) no um conjunto enumervel, logo Y
no varivel aleatria discreta. Ento, Y no varivel aleatria discreta nem contnua.

Exemplo 6.9
Seja X varivel aleatria tal que f(x) = x 3 /64, 0 x 4. Seja Y = min{ X , 2 X }.
Encontre a funo densidade de Y .
Soluo:
Primeiro faa o grfico da funo g e encontre, a partir da Im(X ) o conjunto Im(Y ). Veja na
Figura 6.2 abaixo o grfico da funo g. Veja que como Im(X ) = (0, 4), ento Im(Y ) = (0, 1).

Figura 6.2 Grfico da funo g(X ) = min{ X , 2 X }.
Queremos encontrar FY . Vejamos primeiro os casos triviais: se y < 0 FY (y) = 0; e

se y > 1 FY (y) = 1.
Agora vamos analisar o caso em que 0 y 1.

FY (y) = P(Y y) = P X y2 ou X (2 y)2

= P X y2 + P X (2 y)2

= FX y2 + 1 FX (2 y)2 .
Assim,

0 , se y < 0
FY (y) = F y + 1 FX (2 y)
2 2 , se 0 y 1
X
1 , se y > 1.
Para encontrar a funo densidade podemos derivar em relao y.

fX y2 2y + fX (2 y)2 2(2 y) , se 0 y 1
fY (y) =
0 , caso contrrio.
Substituindo pela expresso de fX , chegamos em:

1
y7 + (2 y)7 , se 0 y 1
fY (y) = 32
0 , caso contrrio.

Exemplo 6.10
Seja X varivel aleatria tal que
x+1

4 , se 1 < x 1
f(x) = 3x
4 , se 1 < x < 3
, caso contrrio.

0
Defina Y = |X | e encontre fY .
Soluo:
Primeiro faa o grfico da funo g e encontre, a partir da Im(X ) o conjunto Im(Y ). Veja na
Figura 6.3 abaixo o grfico da funo mdulo. Como Im(X ) = (1, 3), ento Im(Y ) = (0, 3).
Figura 6.3 Grfico da funo g(X ) = |X |.
Queremos encontrar FY . Vejamos primeiro os casos triviais: se y < 0 FY (y) = 0; e

se y > 3 FY (y) = 1.
Agora vamos analisar o caso em que 0 y 3, para isso vamos pensar separadamente
em 0 y 1 e 1 < y 3. Se 0 y 1,
FY (y) = P(Y y) = P(y X y) = FX (y) FX (y).
Agora, se 1 < y 3,
FY (y) = P(Y y) = P(X y) = FX (y).

Assim,

0 , se y<0
FX (y) FX (y) 0y1

FY (y) =
, se
F 1<y3
X

(y) , se
1 , se y > 3.
Para encontrar a funo densidade podemos derivar em relao y.

fX (y) + fX (y) , se 0 y 1
fY (y) = fX (y) , se 1 < y 3

0 , caso contrrio.
Substituindo pela expresso de fX chegamos na resposta,

1/2 , se 0 y 1
fY (y) = (3 y)/4 , se 1 < y 3

0 , caso contrrio.
Veja que essa funo realmente define uma funo densidade.

6.2 Mtodo do Jacobiano
Quando a funo g inversvel, possvel obter uma expresso para a funo densidade
de Y = g(X ) atravs do resultado apresentado no Teorema 6.11 a seguir.
Teorema 6.11 Mtodo do Jacobiano

Seja X varivel aleatria contnua com funo densidade fX . Seja tambm g : R R uma
funo estritamente montona e diferencivel no conjunto Im(X ). Se Y = g(X ), ento:
(i) Im(Y ) = g(Im(X )) = {y R | x Im(X ) com y = g(x)};
(ii) Y varivel aleatria contnua.

d 1
(iii) fY (y) = fX g1 (y) dy g (y) , se y Im(Y );
Demonstrao:
O item (i) conclumos que Im(Y ) = g(Im(X )) uma vez que Y a composio da funo X com
a funo g. Ento, os valores que Y pode assumir so os valores que g pode assumir partindo
do conjunto Im(X ).
A demonstrao do item (ii) ser omitida.
A demonstrao do item (iii) ser feita seguindo o Mtodo da Funo de Distribuio.

Queremos encontrar FY (y) = P(Y y). Vamos pensar separadamente no caso em que g
estritamente crescente e estritamente decrescente.
Se g estritamente crescente, existe g1 e esta tambm uma funo estritamente

crescente. Ento, nesse caso,
FY (y) = P(Y y) = P(g(X ) y) = P(X g1 (y)) = FX (g1 (y)).

6.2. MTODO DO JACOBIANO 139
Seguindo, derivando em relao y, encontramos a relao entre fY e fX :

d d
fY (y) = FX (g1 (y)) = fX (g1 (y)) g1 (y).
dy dy
Se g estritamente decrescente, existe g1 e esta tambm uma funo estritamente

decrescente. Ento, nesse caso,
FY (y) = P(Y y) = P(g(X ) y) = P(X g1 (y)) = 1 FX (g1 (y)).
Seguindo, derivando em relao y, encontramos a relao entre fY e fX :

d d
fY (y) = 1 FX (g1 (y)) = fX (g1 (y)) g1 (y).
dy dy
d 1
Veja que no caso de g ser estritamente crescente, dy g (y) > 0 para todo y, ento

d 1 d 1
podemos escrever dy g (y) = dy g (y).
d 1
J quando g estritamente decrescente, dy g (y) < 0 para todo y, ento podemos

d 1 d 1
escrever dy g (y) = dy g (y).
Dessa forma, qualquer que seja g estritamente montona,

d
fY (y) = fX (g1 (y)) g1 (y) .

dy
Exemplo 6.12
Seja X U(0, 1) . Obtenha a funo densidade de Y = ln X .
Soluo:
A funo g(x) = ln x estritamente decrescente e podemos aplicar o Teorema 6.11. Ento,
como 0 < x < 1, segue que 0 < Y = ln X < (ver Figura 6.4).
Por outro lado, a inversa de y = g(x) = ln x g1 (y) = ey e, portanto,
dg1 (y)
= ey
dy
Como 0 < y < , ento 0 < ey < 1 e a funo densidade de Y
fY (y) = fX ey ey = 1 ey fY (y) = ey

y (0, )
uma vez que fX (x) = 1 no intervalo (0, 1). Note que Y exp(1)

A partir do Mtodo do Jacobiano podemos encontrar um resultado geral sempre que a

transformao que define Y como funo de X for linear. Veja a Proposio 6.13 a seguir.
Proposio 6.13 Transformao Linear

Seja X varivel aleatria contnua com funo densidade fX e a, b R. Defina Y = aX + b.
Ento,
y b 1
fY (y) = fX a .
a
Figura 6.4 Grfico da funo g(x) = ln x
Demonstrao:
Consideremos a transformao Y = aX + b, que define uma reta. Se X uma varivel
aleatria contnua com densidade fX , ento podemos aplicar o Teorema 6.11 para calcular a
funo densidade de Y = g(X ) = aX + b. Nesse caso, ento a funo inversa
Y b
X = g1 (Y ) =
a
cuja derivada
dg1 (y) 1
=
dy a
Logo, aplicando o Mtodo do Jacobiano, a funo densidade de Y

y b 1
fY (y) = fX a .
a
Exemplo 6.14
Se a funo de densidade da varivel aleatria X dada por

3x 2 , se 1 x 0
f(x) =
0 , caso contrrio,
calcule a funo densidade de Y = 2X 35 , bem como sua esperana e sua varincia.
Soluo:
Temos que a = 2 e b = 0, 6. Como 1 x 0, resulta que 2, 6 y 0, 6. Logo,

y + 0, 6 1
fY (y) = fX se 2, 6 y 0, 6
2 2
ou seja
2
y + 0, 6 1 3
fY (y) = 3 = (y + 0, 6)2 se 2, 6 y 0, 6
2 2 8
0,6
3 0,6 3
Z Z
3
E(Y ) = y (y + 0, 6)2 dy = y + 1, 2y2 + 0, 36y dy
2,6 8 8 2,6
4 0,6
3 y y3 y2
= + 1, 2 + 0, 36
8 4 3 2 2,6
3 h i
= 0, 25 (0, 6)4 + 0, 4 (0, 6)3 + 0, 18 (0, 6)2
8
3h i
0, 25 (2, 6)4 + 0, 4 (2, 6)3 + 0, 18 (2, 6)2
8
3
= [0, 0108 5, 6108] = 2, 10
8
0,6
3 0,6 4
Z Z
23
2
E(Y ) = y (y + 0, 6) dy =
2
y + 1, 2y3 + 0, 36y2 dy
2,6 8 8 2,6
5 0,6
3 y y4 y3
= + 1, 2 + 0, 36
8 5 4 3 2,6
3 h i
= 0, 2 (0, 6)5 + 0, 3 (0, 6)4 + 0, 12 (0, 6)3
8
3h i
0, 2 (2, 6)5 + 0, 3 (2, 6)4 + 0, 12 (2, 6)3
8
3 3
= [0, 00259 (12, 162592)] = 12, 16 = 4, 56
8 8
Var(Y ) = 4, 56 2, 12 = 0, 15
Para o clculo da esperana e da varincia de Y , poderamos ter usado o fato de que

E(Y ) = 2 E(X ) 35 e Var(Y ) = 4 Var(X ). Temos que
Z 0
3 0 3
E(X ) = x3x 2 dx = x 4 = = 0, 75
1 4 1 4
Z 0
3 5 0 3
2
E(X ) = x 3x dx = x = = 0, 6
2 2
1 5 1 5
Var(X ) = 0, 6 0, 5625 = 0, 0375
e isso nos d
3
E(Y ) = 2 E(X ) = 2 (0, 75) 0, 6 = 2, 1
5
Var(Y ) = 4 Var(X ) = 4 0, 0375 = 0, 15
mesmos resultados obtidos anteriormente.

Exemplo 6.15
Seja X varivel aleatria cuja funo densidade

, se 0 < x 1
fX (x) =
1/3
4(2 x)/3 , se 1 < x < 2
Seja Y = X 2 . Encontre a funo densidade de Y a partir do Mtodo da Funo de Distribuio

e tambm a partir do Mtodo do Jacobiano.
Soluo:
Vamos primeiro resolver usando o Mtodo do Jacobiano. Veja que, apesar de g(x) = x 2
no ser montona em toda a reta, para x > 0 a funo estritamente crescente. Como
Im(X ) = (0, 2) (0, ), podemos aplicar o Mtodo do Jacobiano.
Primeiro veja que Im(Y ) = (0, 4), uma vez que Im(X ) = (0, 2). Para x Im(X ), g1 (y) =
d 1
ye dy g (y) = 2 y . Ento, de acordo com o Teorema 6.11,
1
1
fY (y) = fX y , se 0 < y < 4.
2 y
Veja que,

, se 0 < y 1 , se 0 < y 1
fX y =
1/3 1/3
4(2 y)/3 , se 1 < y < 2 4(2 y)/3 , se 1 < y < 4.
=
Ento,
1

, se 0 < y 1

6 y
fY (y) =

4(2 y)
, se 1 < y < 4.

6 y

Agora vamos resolver o problema usando o Mtodo da Funo de Distribuio. Veja

que se y < 0 temos FY (y) = 0 e se y > 4 temos FY (y) = 1. Se 0 y 4 temos,

FY (y) = P(Y y) = P(X 2 y) = P(X y) = FX ( y).
Logo,
, se y < 0

0
FY (y) = FX ( y) , se 0 y 4
, se y > 4

1
Ento, derivando com relao y temos,
(
fX ( y) 21 y , se 0 y 4
fY (y) =
0 , caso contrrio.

Veja que essa expresso a mesma que chegamos pelo Mtodo do Jacobiano. Ento,
substituindo pela expresso de fX ( y) chegamos mesma resposta.

6.2.1 Generalizao do Mtodo do Jacobiano
Se Y = g(X ) no montona em R, podemos aplicar o Teorema 6.11 em cada um dos

intervalos em que g montona, da seguinte forma:
1. Defina uma partio de RX formada pelos intervalos I1 , I2 , ..., Ik tais que a funo g
montona em cada Ij , j = 1, ..., k.
2. Aplique o Teorema ?? a Ij , obtendo

1
1
dg (y)
fj (y) = fX [g (y)]
dy
3. Finalmente, obtenha
fY (y) = f1 (y) + f2 (y) + + fk (y)
Exemplo 6.16 Exemplo 6.2 revisitado

Para X U(1, 1) vamos calcular a funo densidade de Y = X 2 e Z = eX .
Soluo:
Definindo a funo indicadora de um conjunto A como

1 se x A
IA (x) =
0 se x
/ A
(6.1)
1
podemos escrever a funo densidade de X como fX (x) = I(1,1) (x).
2
Como Z = eX funo estritamente crescente, podemos aplicar o Teorema ??
diretamente, obtendo

11 1 1
2 z = 2z e < z < e
+1
d
fZ (z) = fX (ln z) ln z =
dz

0 caso contrrio
Por outro lado, Y = X 2 no montona em (1, 1), mas o em (1, 0) e (0, 1). Assim,
aplicamos o Teorema ?? a cada subintervalo e somamos os resultados parciais:

(1, 0) X = Y:

1 1

=
1
4 y 0<y<1
d( y) 2 2 y
fI (y) = fX ( y) =
dy

0 caso contrrio

(0, 1) X= Y:

1 1 = 0<y<1

1
4 y
d y 2 2 y
fII (y) = fX ( y) =
dy

0 caso contrrio
(0, 1)
1
fY (y) = fI (y) + fII (y) = I(0,1) (y)
2 y

Captulo 7
A Distribuio Normal
7.1 Distribuio Normal Padro
7.1.1 Funo Densidade

2
t
Analisando a equao (A.34), vemos que a funo
1
exp satisfaz as condies
2 2
para ser uma funo de densidade. De fato, essa uma importante distribuio probabilstica,
denominada distribuio normal padro.
Definio 7.1 Densidade Normal Padro

Diz-se que uma varivel aleatria X tem densidade normal padro se sua funo
densidade dada por
2
x
(x) =
1
exp <x < (7.1)
2 2
Vamos denotar por N(0; 1) a densidade normal padro e, se uma varivel aletria tem
tal distribuio, comum represent-la pela letra Z , de modo que estabelecemos a notao
Z N(0; 1).
Analisando a expresso de (z), podemos ver que ela simtrica em torno de 0, ou seja,
ela uma funo par: (z) = (z). Na Figura 7.1 temos o grfico de (z).
7.1.2 Esperana e Varincia
Seja Z N(0, 1). Como (z) simtrica em torno do ponto x = 0, sabemos, por (??),
que E(Z ) = 0.
Como E(Z ) = 0, ento

Z + 2 Z + 2
z z
z
2 1
dz =
2
2
Var(Z ) = E(Z ) = exp z exp
2
dz
2 2 2 0 2
uma vez que o integrando par. Esta integral calculada usando o mtodo de integrao
por partes. Fazendo:
146 CAPTULO 7. A DISTRIBUIO NORMAL
Figura 7.1 Grfico da densidade normal padro (z)
2 2
z z
z exp dz = dv v = exp
2 2
z = u dz = du
resulta que:
2 Z 2 Z 2
z z z
z exp = exp dz + z exp
2
dz (7.2)
2 0 0 2 0 2
Pelos resultados (A.25) e (A.33)

r Z 2 Z 2 r
z z
0= + z exp
2
dz = z exp
2
dz =
2 0 2 0 2 2
Logo, r

Var(Z ) =
2
Var(Z ) = 1 (7.3)
2 2
Resumindo:
E(Z ) = 0
Z N(0; 1) (7.4)

Var(Z ) = 1
7.1.3 Funo de distribuio
A funo de distribuio acumulada de qualquer varivel aleatria X definida por

FX (X ) = P (X x). No caso da densidade normal padro, essa funo dada pela integral
Z z

1 1 2
(z) = exp t dt (7.5)
2 2
para a qual no existe uma antiderivada em forma de funo elementar. Assim, clculos com
a distribuio acumulada da normal padro requerem integrao numrica. Todos os pacotes
estatsticos possuem rotinas especiais para esse clculo. No EXCEL, a funo DIST.NORMP
calcula P (Z z) para qualquer z, onde Z N(0; 1).
7.2. CLCULO DE PROBABILIDADES DA NORMAL PADRO 147
7.2 Clculo de Probabilidades da Normal Padro
Vimos anteriormente que o clculo de probabilidades associadas a variveis aleatrias

contnuas envolve clculo de integrais da funo densidade:
Z b
P(a X b) = fX (x)dx
a
Isso, obviamente, continua valendo para a densidade normal. A diferena est no fato de
que o clculo de tais integrais no caso da densidades normais requer mtodos numricos e,
para facilitar esses clculos, podemos usar uma tabela em que alguns valores j se encontram
calculados. A tabela bsica fornece probabilidades associadas densidade normal padro.
Vamos estudar essa tabela e depois veremos como generalizar para uma normal qualquer.
7.2.1 Tabela 1: P(0 Z z)
A Tabela 1 ser usada para calcular probabilidades associadas a uma varivel aleatria
normal padro Z . Assim, com essa tabela, poderemos calcular probabilidades do tipo P(Z >
1), P(Z 3), P(1 Z 2), etc.
Vamos analisar cuidadosamente esta tabela. A partir do cabealho e do grfico na

tabela, podemos ver que as entradas no corpo da tabela fornecem probabilidades do tipo
P(0 Z z). Com relao abscissa z, seus valores so apresentados na tabela ao longo
da coluna lateral esquerda em conjunto com a linha superior, ambas sombreadas de cinza.
Na coluna esquerda, temos a casa inteira e a primeira casa decimal; na linha superior,
temos a segunda casa decimal. Por exemplo, ao longo da primeira linha da tabela, temos
probabilidades associadas s abscissas 0,00; 0,01; 0,02, . . . , 0,09; na segunda linha da tabela,
temos probabilidades associadas s abscissas 0,10; 0,11; 0,12; . . . , 0,19; na ltima linha da
tabela, temos probabilidades associadas s abscissas 4,00; 4,01; 4,02; . . . ; 4,09.
A entrada 0,00000 no canto superior esquerdo da tabela corresponde seguinte

probabilidade: P(0 Z 0, 00), ou seja, P(Z = 0) e, como visto, essa probabilidade
nula, uma vez que, para qualquer varivel aleatria contnua X , P(X = x0 ) = 0. A segunda
entrada na primeira linha, 0,00399, corresponde a P(0 Z 0, 01), que a rea sob a curva
de densidade normal padronizada compreendida entre os valores 0 e 0,01 (veja o grfico na
tabela).
Note que esta tabela apresenta probabilidades correspondentes a abscissas positivas,

ou seja, esta tabela trata de rea sob a curva no lado positivo do eixo. Para calcular
reas no lado negativo, teremos que usar o fato de a curva da densidade normal ser
simtrica. Sempre faa um esboo da curva de densidade, sombreando a rea correspondente
probabilidade desejada; isso lhe ajudar no clculo da probabilidade. Vamos terminar
esta seo apresentando vrios exemplos de clculos de probabilidades de uma v.a. Z com
distribuio normal padro, ou seja, no que segue, Z N(0; 1). Os exemplos apresentados
cobrem todas as situaes possveis. Assim, importante que voc entenda bem a situao
ilustrada por cada um dos exemplos, para poder aplicar o mtodo de soluo adequado aos
novos exerccios.
Para simplificar a soluo dos exerccios, vamos adotar a seguinte notao.

! Entradas da Tabela 1 do Apndice B
Vamos representar por tab(z) as entradas da Tabela 1 do Apndice B, ou

seja,
tab(z) = P(0 Z z)
Exemplo 7.2
A partir da Tabela 1 do Apndice B calcule P(0 Z 1, 22).
Soluo:
Veja as Figuras 7.2 e 7.3. Essa probabilidade dada diretamente na Tabela 1, utilizando a
entrada correspondente linha 1,2 e coluna com o valor 2. O resultado
P(0 Z 1, 22) = tab(1, 22) = 0, 3888
e 1a . Decimal 0 1 2 3
0,0 0,0000 0,0040 0,0080 0,0120
0,1 0,0398 0,0438 0,0478 0,0517
0,9 0,3159 0,3186 0,3212 0,3238
1,0 0,3413 0,3438 0,3461 0,3485

.
1,1 0,3643 0,3665 0,3686 0,3708
1,2 0,3849 0,3869 0,3888 0,3907
1,3 0,4032 0,4049 0,4066 0,4082
Figura 7.2 P(0 Z 1, 22) como Figura 7.3 P(0 Z 1, 22) - Uso
rea da tabela

Exemplo 7.3
A partir da Tabela 1 do Apndice B calcule P(1 Z 2).
Soluo:
Note que este exemplo trata da rea (probabilidade) entre duas abscissas positivas. Na
Figura 7.4 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode ser obtida
pela diferena entre as reas das Figuras 7.5 e 7.7, cujos valores so encontrados na Tabela
1 conforme ilustram as Figuras 7.6 e 7.8.
Figura 7.4 P(1 Z 2) como rea

e 1a. Decimal 0 1 2 3 4
0,0 0,0000 0,0040 0,0080 0,0120 0,0160
0,1 0,0398 0,0438 0,0478 0,0517 0,0557
0,2 0,0793 0,0832 0,0871 0,0910 0,0948
1,8 0,4641 0,4649 0,4656 0,4664 0,4671
1,9 0,4713 0,4719 0,4726 0,4732 0,4738
2,0 0,4772 0,4778 0,4783 0,4788 0,4793
2,1 0,4821 0,4826 0,4830 0,4834 0,4838
Figura 7.6 P(0 Z 2) - Uso da

Figura 7.5 P(0 Z 2) como rea tabela
e 1a. Decimal 0 1 2 3 4
0,0 0,0000 0,0040 0,0080 0,0120 0,0160
0,1 0,0398 0,0438 0,0478 0,0517 0,0557
0,2 0,0793 0,0832 0,0871 0,0910 0,0948
0,8 0,2881 0,2910 0,2939 0,2967 0,2995
0,9 0,3159 0,3186 0,3212 0,3238 0,3264
1,0 0,3413 0,3438 0,3461 0,3485 0,3508
1,1 0,3643 0,3665 0,3686 0,3708 0,3729
Figura 7.8 P(0 Z 1) - Uso da

Figura 7.7 P(0 Z 1) como rea tabela
Concluimos, ento, que
P(1 Z 2) = P(0 Z 2)P(0 Z 1) = tab(2, 0)tab(1, 0) = 0, 47720, 3413 = 0, 1359

Exemplo 7.4
A partir da Tabela 1 do Apndice B calcule P(Z 1).
Soluo:
Note que este exemplo trata da rea (probabilidade) direita () de uma abscissa positiva. Na
Figura 7.9 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode ser obtida pela
diferena entre as reas das Figuras 7.10 e 7.11. A primeira rea corresponde probabilidade
P(Z 0) e igual a 0,5, pois a mdia = 0 o eixo de simetria e a rea total 1. Logo,
P(Z 0) = P(Z 0) = 0, 5. A segunda rea vem direto da Tabela 1.
Figura 7.9 P(Z 1)

Figura 7.10 P(Z 0) Figura 7.11 P(0 Z 1)

P(Z 1) = P(Z 0) P(0 Z 1) = 0, 5 tab(1, 0) = 0, 5 0, 3413 = 0, 1587

Exemplo 7.5
A partir da Tabela 1 do Apndice B calcule P(Z 1).
Soluo:
Note que este exemplo trata da rea (probabilidade) esquerda () de uma abscissa positiva.
Na Figura 7.12 ilustra-se a rea (probabilidade) desejada. Note que esta rea pode ser obtida
pela soma das reas das Figuras 7.13 e 7.14. A primeira rea corresponde probabilidade
P(Z 0) e igual a 0,5, conforme visto no exemplo anterior.
Figura 7.12 P(Z 1)
Figura 7.13 P(Z 0) Figura 7.14 P(0 Z 1)

P(Z 1) = P(Z 0) + P(0 Z 1) = 0, 5 + tab(1, 0) = 0, 5 + 0, 3413 = 0, 8413

Exemplo 7.6
A partir da Tabela 1 do Apndice B calcule P(Z 0, 5)
Soluo:
Note que este exemplo trata da rea (probabilidade) esquerda () de uma abscissa negativa
e, agora, comeamos a trabalhar com abscissas negativas. Na Figura 7.15 ilustra-se a rea
(probabilidade) desejada. Pela simetria da curva de densidade normal, resulta que essa rea
igual rea ilustrada na Figura 7.16.
Figura 7.15 P(Z 0, 5) Figura 7.16 P(Z 0, 5)
P(Z 0, 5) = P(Z 0, 5) = 0, 5P(0 Z < 0, 5) = 0, 5tab(0, 5) = 0, 50, 1915 = 0, 3085

Exemplo 7.7
Soluo:
Note que este exemplo trata da rea (probabilidade) direira () de uma abscissa negativa.
Na Figura 7.17 ilustra-se a rea (probabilidade) desejada. Essa rea a soma das reas
representadas nas Figuras 7.18 e 7.19. Essa ltima rea, por sua vez, igual area
representada na Figura 7.20, pela simetria da curva de densidade.
Figura 7.17 P(Z 0, 5) Figura 7.18 P(Z 0)

Figura 7.19 P(0, 5 Z 0) Figura 7.20 P() Z 0, 5)
P(Z 0, 5) = P(0, 5 Z 0) + P(Z 0)

= P(0 Z < 0, 5) + 0, 5 = tab(0, 5) + 0, 5 = 0, 1915 + 0, 5 = 0, 6915

Exemplo 7.8
A partir da Tabela 1 do Apndice B calcule P(2, 1 Z 1, 4)
Soluo:
Note que este exemplo trata da rea (probabilidade) entre duas abscissas negativas. Na
Figura 7.21 ilustra-se a rea (probabilidade) desejada. Por simetria, essa rea igual rea
ilustrada na Figura 7.22, j analisada no Exemplo 7.3.
Figura 7.21 P(2, 1 Z 1, 4) Figura 7.22 P(1, 4 Z 2, 1)
P(2, 1 Z 1, 4) = P(1, 4 Z 2, 1) = P(0 Z 2, 1) P(0 Z 1, 4)

= tab(2, 1) tab(1, 4) = 0, 4821 0, 4192 = 0, 0629

Exemplo 7.9
Soluo:
Note que este exemplo trata da rea (probabilidade) entre duas abscissas, uma negativa e
outra positiva. Na Figura 7.23 ilustra-se a rea (probabilidade) desejada. Essa rea a soma
das reas representadas nas Figuras 7.24 e 7.25. Por simetria, essa ltima rea igual
rea sombreada na Figura 7.26, o que nos leva cocnluso de que
P(2, 1 Z 1, 4) = P(0 Z 1, 4) + P(2, 1 Z 0)

= P(0 Z 1, 4) + P(0 Z 2, 1) = tab(1, 4) + tab(2, 1)
= 0, 4821 + 0, 4192 = 0, 9013
Figura 7.23 P(2, 1 Z 1, 4) Figura 7.24 P(0 Z 1, 4)
Figura 7.25 P(2, 1 Z 0) Figura 7.26 P(0 Z 2, 1)

7.2.2 Tabela 2: (z) = P(Z z)
Muitos livros trabalham com a tabela da funo de distribuio da normal padro, que,
como vimos, representamos pela letra grega fi maiscula, :
(z) = P(Z z).
A Tabela 2 do Apndice B apresenta os valores de (z) para z 0. Vamos usar essa

tabela para refazer os exemplos vistos anteriormente, que sero apresentados em uma ordem
diferente, mais didaticamente apropriada para esse contexto.
Exemplo 7.10
A partir da Tabela 2 do Apndice B calcule P(Z 1)
Soluo:
Essa probabilidade resulta diretamente da definio de distribuio acumulada:
P(Z 1) = (1, 0) = 0, 8413

Exemplo 7.11
A partir da Tabela 2 do Apndice B calcule P(Z 1)
Soluo:
Pela lei do complementar, temos que
P(Z 1) = 1 P(Z < 1)
Mas, como Z uma varivel aleatria contnua, sabemos que P(Z = z) = 0. Logo
P(Z < z) = P(Z z)
Logo,
P(Z 1) = 1 P(Z < 1) = 1 P(Z 1) = 1 (1, 0) = 1 0, 8413 = 0, 1587

Exemplo 7.12
Soluo:
Vimos, no Exemplo 7.6, que
P(Z 0, 5) = P(Z 0, 5)
Logo,
P(Z 0, 5) = P(Z 0, 5) = 1P(Z < 0, 5) = 1P(Z 0, 5) = 1(0, 5) = 10, 6915 = 0, 3085

Exemplo 7.13
Soluo:
Veja as Figuras 7.27 e 7.28.
P(Z 0, 5) = 1 P(Z < 0, 5) = 1 P(Z > 0, 5) = 1 [1 P(Z 0, 5)]

= P(Z 0, 5) = (0, 5) = 0, 6915

Exemplo 7.14
A partir da Tabela 2 do Apndice B calcule P(0 Z 1, 22)
Soluo:
Veja as Figuras 7.2, 7.29 e 7.30.
P(0 Z 1, 22) = P(Z 1, 22) P(Z 0) = (1, 22) 0, 5 = 0, 8888 0, 5 = 0, 3888
Figura 7.29 P(Z 1, 22) Figura 7.30 P(Z 0)

Exemplo 7.15
A partir da Tabela 2 do Apndice B calcule P(1 Z 2)
Soluo:
Veja as Figuras 7.4, 7.31 e 7.32.
P(1 Z 2) = P(Z 2) P(Z < 1) = P(Z 2) P(Z 1) = (2, 0) (1, 0)

= 0, 9772 0, 8413 = 0, 1359

Exemplo 7.16
Soluo:
Usando os resultados do Exemplo 7.15, temos que
P(2, 1 Z 1, 4) = P(1, 4 Z 2, 1) = (2, 1) (1, 4) = 0, 9821 0, 9192 = 0, 0629

Exemplo 7.17
Soluo:
Usando os resultados do Exemplo 7.12, temos que
P(2, 1 Z 1, 4) = (1, 4) P(Z < 2, 1) = (1, 4) (2, 1)

= (1, 4) [1 (2, 1)] = 0, 9192 [1 0, 9821] = 0, 9013

7.3 Distribuio Normal
Seja Z N(0; 1) e vamos definir uma nova varivel aleatria por
X = g(Z ) = + Z ,
em que > 0. Usando a Proposio 6.13 temos que

x 1
1 x 2
=
1 1
fX (x) = fZ exp
2 2
ou ainda:
1 x 2
fX (x) =
1
exp
2 2 2
e essa a densidade normal N(; 2 ) .
Definio 7.18 Distribuio Normal

Diz-se que, uma varivel aleatria contnua X , definida para todos os valores em R, tem
distribuio normal com parmetros e 2 , onde < < e 0 < 2 < , se sua
funo densidade de probabilidade dada por

(x )2
f(x) =
1
exp <x < .
2 2 2 2
Usaremos a seguinte notao para indicar que uma v.a. X tem distribuio normal com
parmetros e 2 : X N(, 2 ).
7.3.1 Caractersticas da Funo Densidade Normal
1. Simtrica em torno de ; note que f ( x) = f ( + x) .
2. Assntotas: lim f(x) = lim f(x) = 0; esse resultado segue diretamente dos resultados
x x
sobre a funo exponencial dados em (A.16) e (A.17) e do fato de que ex =

1
ex
.
3. Ponto de mximo
Para calcular a primeira e segunda derivadas de f(x), devemos lembrar que (ex )0 = ex
e, pela regra da cadeia, (eg(x) )0 = eg(x) g0 (x). Aplicando esses resultados densidade
normal, obtemos que:

0 (x )2 x
f (x) =
1 1
exp 2(x ) = f(x) (7.6)
2 2 2 2 2 2 2
7.3. DISTRIBUIO NORMAL 157
Derivando novamente, obtemos:

00
x h x i h x i
f (x) = f 0 (x)
1 1
f(x) = f(x) f(x) 2 =
2 2 2 2

(x ) 2 1 (x )
2 2
= f(x) f(x) 2 = f(x) (7.7)
4 4
Analisando a equao (7.6) e lembrando que f(x) > 0, pode-se ver que:
f 0 (x) = 0 x =
e assim, x = um ponto crtico. Como f 0 (x) > 0 para x < e f 0 (x) < 0 para x > ,
ento f crescente esquerda de e decrescente direita de . Segue, ento, que
x = um ponto de mximo e nesse ponto
f() =
1
(7.8)
2 2
4. Pontos de inflexo
Analisando a segunda derivada dada por (7.7), tem-se que:

00 x =+
f (x) = 0 (x ) = |x | =
2 2
x =
(7.9)
Alm disso,
00
f (x) > 0 (x )2 > 2 |x | >
x > ou x > (7.10)
x >+ ou x <
e
00
f (x) < 0 (x )2 < 2 |x | <

x <
<x <+
x <
(7.11)
Logo, f(x) cncava para cima se x > + ou x < e cncava para baixo quando
< x < + .
Na Figura 7.33 apresentado o grfico da densidade normal no caso em que = 3
e 2 = 1. A a linha pontilhada central representa o eixo de simetria e as linhas
pontilhadas laterais passam pelos pontos de inflexo 3 1.
7.3.2 Parmetros Distribuio Normal

Se X N ; 2 , ento X = + Z , em que Z N(0; 1). Das propriedades de mdia
e varincia, resulta
E(X ) = + E(Z ) = + 0 E (X ) = (7.12)
e
Var (X ) = 2 Var(Z ) == 2 1 Var(X ) = 2 (7.13)
Resumindo:
E(X ) =
X N ; 2 =
Var(X ) = 2
(7.14)
Figura 7.33 Densidade normal com mdia = 3 e varincia 2 = 1
Os parmetros da densidade normal so, ento, a mdia e a varincia, que so medidas

de posio e disperso, respectivamente. Valores diferentes de deslocam o eixo de simetria
da curva e valores diferentes de 2 mudam a disperso da curva. Quanto maior 2 , mais
espalhada a curva, mas o ponto de mximo, dado pela equao (7.8), inversamente
proporcional a 2 . Logo, quanto maior 2 , mais espalhada e mais achatada a curva. O
importante a observar que a forma sempre a de um sino. Na Figura 7.34 temos exemplos
de densidades normais com a mesma varincia, mas com mdias diferentes. O efeito o
delocamento do eixo de simetria da densidade. J na Figura 7.35, temos duas densidades
com a mesma mdia, mas varincias diferentes. O efeito que a densidade com maior varincia
mais dispersa e achatada.
Figura 7.34 Densidades normais com mesma varincia e mdias diferentes
7.3.3 Funo de Distribuio
A funo de distribuio da densidade normal dada pela integral

Z x " #
1 t 2

1
F (x) = exp dt (7.15)
2 2 2
7.4. CLCULO DE PROBABILIDADES DA NORMAL 159
Figura 7.35 Densidades normais com mesma mdia e varincias diferentes
Na Figura 7.36 apresentamos funo de distribuio associada s densidades N(0; 1), N(3; 1)
e N(3; 4). Note que, pela simetria da densidade em torno da mdia , sempre teremos F () =
0, 5. Esse fato ilustrado com as linhas pontilhadas na figura.
Figura 7.36 Funo de distribuio da N(0; 1), N(3; 1) e N(3; 4)
7.4 Clculo de Probabilidades da Normal

J foi visto que se X N , 2 , ento X = + Z , onde Z N(0, 1). Vamos ver como
utilizar esse resultado para calcular probabilidades da normal. Temos que
x x
P (X x) = P ( + Z x) = P Z = (7.16)

Nas Figuras 7.37 e 7.38 ilustra-se esse fato, utilizando as densidades Z N(0; 1) e
X N(3; 4). No grfico esquerda, a rea sombreada representa P(X 5) e no grfico
direita, a rea sombreada representa a probabilidade equivalente:

X 3 53
P(X 5) = P = P(Z 1)
2 2
O que o resultado diz que essas reas (probabilidades) so iguais.
Figura 7.37 X N(; 32 ) P(X Figura 7.38 Z N(0; 1) P(Z

5) 1, 0)
Isso significa que probabilidades de uma N(; 2 ) podem ser calculadas a partir da
operao de padronizao.
! Padronizao da distribuio normal N(; 2 )

Se X N ; 2 , ento
X
Z= (7.17)

tem distribuio N(0; 1).
interessante lembrar que a transformao dada na equao (7.4) corresponde ao

clculo do escore padronizado associado abscissa x. Assim, clculos de probabilidades de
v.a. normais sempre envolvero o clculo do escore padronizado da(s) abscissa(s) de interesse.
Exemplo 7.19
Seja X N(3; 9), clacule P(1 X 4)
Soluo:
1 3 X 3 43
P(1 X 4) = P
9 9 9
= P (1, 33 Z 0, 33)
= (0, 33) (1, 33) = 0, 62930 0, 09176
= tab(0, 33) + tab(1, 33) = 0, 12930 + 0, 40824
= 0, 53754

Exemplo 7.20
Seja X N(2; 5), calcule P(1 X 7)
Soluo:
12 X 2 72
P(1 X 7) = P
5 5 5
= P (0, 45 Z 2, 24)
= (2, 24) (0, 45) = (2, 24) [1 (0, 45)] = 0, 9875 [1 0, 6700]
= tab(2, 24) + tab(0, 45) = 0, 4875 + 0, 1700
= 0, 6575
7.4. CLCULO DE PROBABILIDADES DA NORMAL 161

Exemplo 7.21
Seja X N(5, 1), calcule P(X > 7)
Soluo:

X 5 75
P(X > 7) = P >
1 1
= P(Z > 2)
= 1, 0 (2, 0) = 1, 0 0, 97725
= 0, 5 tab(2, 0) = 0, 5 0, 47725
= 0, 02275

Exemplo 7.22 A regra 68-95-99,7

Seja X N(; 2 ). Calcule P( k < X < + k ) , para k = 1, 2, 3.
Soluo:
Note que essa probabilidade corresponde probabilidade de X estar a uma distncia de k
desvios-padro da mdia.

k X + k
P( k X + k ) = P

= P(k Z k)
Note que chegamos a uma probabilidade que no depende de ou , ou seja, esse

resultado vale qualquer que seja a distribuio normal.
k =1
P( X + ) = P(1 Z 1) = 2 tab(1, 0) = 2 0, 3414 = 0, 6828
k =2
P( 2 X + 2 ) = P(2 Z 2) = 2 tab(2, 0) = 2 0, 4772 = 0, 9544
k =3
P( 3 X + 3 ) = P(3 Z 3) = 2 tab(3, 0) = 2 0, 4987 = 0, 9974
Essas probabilidades nos dizem que, para qualquer distribuio normal, 68,28% dos
valores esto a um desvio-padro da mdia, 95,44% esto a dois desvios-padro e 99,73% dos
valores esto a trs desvios-padro da mdia. Veja a Figura 7.39 para uma ilustrao desses
resultados.
Figura 7.39 Ilustrao da regra 68-95-99,7

7.5 Encontrando a Abscissa da Normal para uma Probabilidade

Especfica
Nos exemplos vistos at o momento, consideramos situaes em que tnhamos uma

abscissa de uma distribuio normal e queramos a probabilidade associada a essa abscissa.
Agora, vamos lidar com a situao inversa: dada uma probabilidade, qual a abscissa
correspondente? Eis algumas situaes que envolvem esse tipo de problema:
Em uma turma de Estatstica, os 10% melhores alunos recebero um livro de presente.
Em uma comunidade, as famlias com as 15% piores rendas iro receber um auxlio da
prefeitura.
Como antes, vamos apresentar vrios exemplos que ilustram essa situao.
Exemplo 7.23
Seja Z N(0; 1), determine o valor de k tal que P(Z k) = 0, 90.
Soluo:
Vamos traduzir esse problema: queremos encontrar a abscissa k da normal padro com 0, 90
de rea (probabilidade) esquerda dela. Como 0,9 a rea esquerda de k, resulta que k
tem que ser maior que zero, isto , temos que ter k > 0. Veja a Figura 7.40: esquerda de k
temos rea 0,90 e esquerda de 0 temos rea 0,5. Logo, entre 0 e k temos que ter rea 0,40.
7.5. ENCONTRANDO A ABSCISSA DA NORMAL PARA UMA PROBABILIDADE ESPECFICA163
Figura 7.40 Determinao de k tal que P(Z k) = 0, 90
Escrevendo essas observaes em termos de probabilidade, temos:
P(Z k) = 0, 90
P(Z 0) + P(0 < Z k) = 0, 90
0, 5 + P(0 < Z k) = 0, 90
P(0 < Z k) = 0, 40
tab(k) = 0, 40
Esta ltima igualdade nos diz que k a abscissa correspondente ao valor 0,40 na Tabela 1.
Para identificar k, temos que buscar no corpo dessa tabela, o valor mais prximo de 0,40.
Na linha correspondente ao valor 1,2 encontramos as entradas 0,39973 e 0,40147. Como a
primeira est mais prxima de 0,40, olhamos qual a abscissa correspondente: a linha 1,2
e a coluna 8, o que nos d a abscissa de 1,28, ou seja, k = 1, 28 e P(Z 1, 28) = 0, 90,
completando a soluo.

Agora vamos olhar o mesmo exemplo, mas para uma distribuio normal qualquer.
Exemplo 7.24
Seja X N(3; 4), determine o valor de k tal que P(X k) = 0, 90.
Soluo:
Com a probabilidade esquerda de k maior que 0,5, resulta que k tem de ser maior que
a mdia. O primeiro passo na soluo escrever a probabilidade dada em termos da normal
padro.
P(X k) = 0, 90

X 3 k 3
P = 0, 90
2 2

k 3
P Z = 0, 90
2

k 3
P(Z 0) + P 0 Z = 0, 90
2

k 3
0, 5 + P 0 Z = 0, 90
2

k 3
P 0Z = 0, 40
2

k 3
tab = 0, 40
2
k 3
= 1, 28 k = 5, 56
2

Exemplo 7.25
Seja X N(3; 4), determine o valor de k tal que P(X k) = 0, 05.
Soluo:
esquerda de k temos 5% da rea total; logo, k tem que estar no lado esquerdo, ou seja,
temos de ter k < 3 e a abscissa padronizada correspondente tem de ser negativa. Vamos
escrever a probabilidade dada em termos da normal padronizada:
P(X k) = 0, 05

X 3 k 3
P = 0, 05
2 2

k 3
P Z = 0, 05
2
Como a rea (probabilidade) esquerda de k3

2 menor que 0, 5, isso significa que
k3
2 tem de ser negativo. Veja a Figura 7.41. Para nos adequarmos tabela disponvel,
temos de rabalhar com reas na metade direita da curva de densidade, ou seja, temos qde
k 3
usar a simetria da curva. Veja a Figura 7.42 e note que a abscissa simtrica a
2
k 3 3k
= .
2 2
k3
Figura 7.41 P(Z 2 ) = 0, 05 Figura 7.42 P(Z k3
2 ) = 0, 05
7.5. ENCONTRANDO A ABSCISSA DA NORMAL PARA UMA PROBABILIDADE ESPECFICA165
Temos, ento, as seguintes probabilidades equivalentes:

k 3
P Z = 0, 05
2

k 3
P Z = 0, 05
2

k 3
P 0Z = 0, 45
2

k 3
tab = 0, 45
2
O valor mais prximo de 0,45 no corpo da Tabela 1 0,4495 que corresponde abscissa
1,64, e isso nos d que
k 3
= 1, 64 k = 0, 28
2

Exemplo 7.26
Seja X N(3; 4), determine o valor de k tal que P(| X 3 | k) = 0, 95.
Soluo:
Vamos relembrar as propriedades da funo mdulo. Para isso, veja a Figura 7.43. As duas
retas que definem a funo f(x) = |x| so y = x e y = x. Os segmentos traados no
grfico mostram que |x| = k x = k ou x = k. Os valores de y abaixo do segmento
horizontal correspondem a valores de y = |x| k e esses valores de y esto associados a
valores x tais que k x k. De forma anloga, valores de y acima do segmento horizontal
correspondem a valores de y = |x| > k e esses valores de y esto associados a valores x tais
que x > k ou x < k. Resumindo:

x=k
|x| = k ou (7.18)

x=-k
|x| < k k < x < k (7.19)

x>k
|x| > k ou (7.20)

x<-k
Figura 7.43 Determinao de k tal que P(Z k) = 0, 90

Agora, vamos usar esses resultados para resolver o exemplo.
P(| X 3 | k) = 0, 95
P(k X 3 k) = 0, 95
P (3 k X k + 3) = 0, 95

3k 3 X 3 k +33
P = 0, 95
2 2 2

k k
P Z = 0, 95
2 2
Veja a Figura 7.44 para entender que

k k
P Z = 0, 95
2 2

k k
P Z 0 +P 0Z = 0, 95
2 2

k
2P 0Z = 0, 95
2

k
P 0Z = 0, 475
2

k
tab = 0, 475
2
k
= 1, 96 k = 3, 92
2
Figura 7.44 Determinao de k tal que P(|Z Z k2 ) = 0, 95

7.6 Exemplos de aplicao da distribuio Normal
A distribuio normal um modelo probabilstico que se aplica a diversas situaes

prticas. Vamos finalizar este captulo com alguns exemplos prticos, mas, na ltima parte do
7.6. EXEMPLOS DE APLICAO DA DISTRIBUIO NORMAL 167
curso, voc ver mais aplicaes no contexto da inferncia estatstica, em que decises tm
de ser tomadas com base nos resultados obtidos a partir de uma amostra.
Exemplo 7.27 Saldo bancrio

O saldo mdio dos clientes de um banco uma v.a. normal com mdia R$ 2.000, 00 e
desvio-padro R$ 250,00. Os clientes com os 10% maiores saldos mdios recebem tratamento
VIP, enquanto aqueles com os 5% menores saldos mdios recebero propaganda extra para
estimular maior movimentao da conta.
(a) Quanto voc precisa de saldo mdio para se tornar um cliente VIP?
(b) Abaixo de qual saldo mdio o cliente receber a propaganda extra?
Soluo:
Seja X = saldo mdio; dado que X N(2000; 2502 ).
(a) Temos que determinar o valor de k tal que P(X k) = 0, 10. Note que isso equivale a
calcular o 90o percentil da distribuio. A rea esquerda de k tem de ser 0,90; logo,
k tem de ser maior que a mdia.
P(X k) = 0, 10

X 2000 k 2000
P = 0, 10
250 250

X 2000 k 2000
P = 0, 90
250 250

k 2000
P Z = 0, 90
250

k 2000
P(Z 0) + P 0 Z = 0, 90
250

k 2000
P 0Z = 0, 90 0, 50
250

k 2000
tab = 0, 40
250
k 2000
= 1, 28 k = 2320
250
Os clientes com saldo mdio maior ou igual a R$ 2.320, 00 tero tratamento VIP.
(b) Temos de determinar o valor de k tal que P(X k) = 0, 05. Note que isso equivale a
calcular o 5o percentil da distribuio. A rea esquerda de k tem de ser 0,05; logo, k
tem de ser menor que a mdia. Na soluo, teremos que usar a simetria da distribuio,
invertendo o sinal da abscissa, para lidarmos com rea na metade direita da funo de
densidade.
P(X k) = 0, 05

X 2000 k 2000
P = 0, 05
250 250

k 2000
P Z = 0, 05
250

2000 k
P Z = 0, 05
250

2000 k
tab = 0, 45
250
2000 k
= 1, 64 k = 1590
250
Os clientes com saldo mdio inferior a R$ 1.590,00 recebero a propaganda extra.
Na Figura 7.45 ilustra-se a soluo do exerccio.
Figura 7.45 Soluo do Exemplo 7.27

Exemplo 7.28 Regulagem de mquinas

Uma mquina de empacotar determinado produto oferece variaes de peso que se distribuem
segundo uma distribuio normal com desvio padro de 20 gramas. Em quanto deve ser
regulado o peso mdio desses pacotes para que apenas 10% deles tenham menos que 500
gramas?
Soluo:
Esse um exemplo clssico de aplicao da distribuio normal. Seja X o peso dos pacotes
em gramas. Ento, X N(; 400). Temos de ter P(X 500) = 0, 10. Note que o peso mdio
tem de ser superior a 500 g. Note, na soluo, a inverso do sinal da abscissa!
P(X 500) = 0, 10

X 500
P = 0, 10
20 20

500
P Z = 0, 10
20

500
P Z = 0, 10
20

500
P Z = 0, 10
20

500
tab = 0, 40
20
500
= 1, 28 = 525, 6
20
A mquina tem de ser regulada com um peso mdio de 525,6g para que apenas 10% dos
pacotes tenham peso inferior a 500g. Veja a Figura 7.46.

Exemplo 7.29 Mais sobre regulagem de mquinas

Uma mquina fabrica tubos metlicos cujos dimetros podem ser considerados uma varivel
aleatria normal com mdia 200mm e desvio-padro 2mm. Verifica-se que 15% dos tubos
esto sendo rejeitados como grandes e 10% como pequenos.
(a) Quais so as tolerncias de especificao para esse dimetro?
(b) Mantidas essas especificaes, qual dever ser a regulagem mdia da mquina para
que a rejeio por dimetro grande seja praticamente nula? Nesse caso, qual ser a
porcentagem de rejeio por dimetro pequeno?
Soluo:
Seja D = dimetro dos tubos. Ento D N(200, 22 ).
(a) Sejam kI e kS as especificaes inferior e superior, respectivamente. Isso significa que

tubos com dimetro menor que kI so rejeitados como pequenos e tubos com dimetro
maior que kS so rejeitados como grandes.
P(D < kI ) = 0, 10

D 200 kI 200
P < = 0, 10
2 2

kI 200
P Z < = 0, 10
2

kI 200
P Z > = 0, 10
2

200 kI
P Z > = 0, 10
2

200 kI
P 0Z < = 0, 40
2

200 kI
tab = 0, 40
2
200 kI
= 1, 28 kI = 197, 44
2
P(D > kS ) = 0, 15

D 200 kS 200
P > = 0, 15
2 2

kS 200
P 0Z < = 0, 35
2

kS 200
tab = 0, 35
2
kS 200
= 1, 03 kS = 202, 06
2
Logo, tubos com dimetro menor que 197,44 cm so rejeitados como pequenos e tubos
com dimetros maiores que 202,06 cm so rejeitados como grandes.
(b) Com a nova regulagem, temos que D N(; 22 ) e deve ser tal que
P(D > 202, 06) = 0

D 202, 06
P > =0
2 2

202, 06
P Z > =0
2

202, 06
P 0Z = 0, 5
2

202, 06
tab = 0, 5
2
202, 06
' 4, 5 ' 193, 06
2
Com essa mdia, a porcentagem de rejeio por dimetro pequeno

D 193, 06 197, 44 193, 06
P(D < 197, 44) = P <
2 2
= P(Z < 2, 19)
= P(Z 0) + P(0 < Z < 2, 19)
= 0, 5 + tab(2, 19) = 0, 9857
Com essa nova regulagem, a rejeio por dimetro grande nula, mas a rejeio por
dimetro pequeno muito alta! Veja as Figuras 7.47 e 7.48, nas quais ficam claros os
resultados obtidos.
Figura 7.47 Exemplo 7.29 - Figura 7.48 Exemplo 7.29 - regulagem

regulagem original com 0% de tubos grandes

Exemplo 7.30 Troca de lmpadas

Em um grande complexo industrial, o departamento de manuteno tem instrues para
substituir as lmpadas antes que se queimem. Os registros indicam que a durao das
lmpadas, em horas, tem distribuio normal, com mdia de 900 horas e desvio-padro de 75
horas. Quando devem ser trocadas as lmpadas, de modo que no mximo 5% delas queimem
antes de serem trocadas?
Soluo:
Seja T = tempo de durao (em horas) das lmpadas; ento, T N(900; 752 ). Temos que
determinar t tal que P(T t) = 0, 05.
P(T t) = 0, 05

T 900 t 900
P = 0, 05
75 75

t 900
P Z = 0, 05
75

900 t
P Z = 0, 05
75

900 t
P 0Z = 0, 45
75

900 t
tab = 0, 45
75
900 t
= 1, 64 t = 777
75
As lmpadas devem ser trocadas com 777 horas de uso para que apenas 5% se queimem antes
da troca.

Aqui cabe a seguinte observao: em geral, no apropriado utilizar-se a distribuio

normal para modelar o tempo de sobrevivncia de lmpadas ou equipamentos em geral.
Modelos tipo exponencial so mais adequados, pois atribuem probabilidade alta de
sobrevivncia no incio da vida do equipamento e probabilidade decrescente medida que o
equipamento envelhece.
Exemplo 7.31 Regulagem de mquinas controle da variabilidade

Uma enchedora automtica enche garrafas de acordo com uma distribuio normal de mdia
1.000 ml. Deseja-se que no mximo uma garrafa em cada 100 saia com menos de 990ml. Qual
deve ser o maior desvio padro tolervel?
Soluo:
Seja X = contedo da garrafa (em ml), ento X N(1000; 2 ).
Queremos que P(X < 990) 0, 01.
Seja 0 o valor do desvio padro de X tal que P(X < 990) = 0, 01. Ento, qualquer
valor de tal que < 0 resulta em P(X < 990) < 0, 01. Veja a Figura 7.49.
A rea sombreada corresponde a P(X < 990) = 0, 10 quando X N(1000; 02 ) (curva de

densidade mais espessa). As duas outras densidades correspondem a distribuies normais
com desvios-padro menores. Note que para essas distribuies, P(X < 990) < 0, 01. Assim,
o desvio-padro mximo tolervel tal que:
7.7. A DISTRIBUIO LOG-NORMAL 173
P(X < 990) 0, 01

990 1000
P Z < 0, 01

990 1000
P Z > 0, 01

10
P Z> 0, 01

10
0, 5 tab Z > 0, 01

10
tab 0, 49

10 10
2, 33 = 4, 2918
2, 33

7.7 A distribuio log-normal
7.7.1 Definio
Definio 7.32 Distribuio log-normal

Seja X N(, 2 ). Se Y = eX ento a varivel aleatria Y tem distribuio log-normal
com parmetros e 2 . Reciprocamente, se Y tem distribuio log-normal, ento X = ln Y
tem distribuio N(, 2 ).
Vamos calcular a funo densidade de probabilidade de uma varivel aleatria log-

normal a partir de sua funo de distribuio acumulada. Note que Y s pode assumir
valores positivos. Temos que:

X
FY (y) = P y) = P e y = P (X ln y) =
(Y

X ln y ln y
= P =P Z

ln y
= y>0

Sabemos que fY (y) = F 0 (y) e, tambm, no caso da normal padro, 0 (z) = (z). Logo,
pela regra da cadeia,

ln y ln y
fY (y) = 0
1 1
= =
y y
" #
1 ln y 2
=
1 1
exp
2 2 y
ou ainda: " 2 #
ln y
fY (y) =
1 1
exp y>0
y 2 2 2
7.7.2 Esperana
A esperana de Y :
" 2 #
Z
ln y
y
1 1
E(Y ) = exp dy
0 y 2 2 2
Fazendo a mudana de varivel t = ln y temos que
1
dt = dy
y
y = et
y = 0 t =
y = t=
e, portanto
" 2 # " #
Z Z 2
t t
et exp dt =
1 1 1 1
E(Y ) = exp + t dt
2 2 2 2 2 2
Z 2
t 2t + 2 2 2 t

1
= exp dt =
2 2 2 2
Z " #
t 2 2t + 2 + 2

1
= exp dt
2 2 2 2
Z " #
t 2 2t + 2 2

1
= exp exp 2 dt =
2 2 2 2 2
Z " 2 2 #
2 t 2 2t + 2 + + 2 + 2
exp 2
1
= exp dt
2 2 2 2 2
Z ( 2 ) 2 !
2 t + 2 + 2
exp 2
1
= exp exp dt
2 2 2 2 2 2 2
2 ! " Z ( 2 ) #
2 + 2 t + 2

1
= exp 2 + exp dt
2 2 2 2 2 2 2
Mas o termo entre os colchetes externos a integral de uma densidade normal com mdia
= + 2 e varincia 2 ; logo, essa integral 1 e, portanto:
2 !
2 + 2 2 + 2 + 2 2 + 4
E(Y ) = exp 2 + = exp
2 2 2 2 2

2
E(Y ) = exp + (7.21)
2
7.7. A DISTRIBUIO LOG-NORMAL 175
7.7.3 Varincia
Vamos calcular de modo anlogo E(Y 2 ), usando a mesma transformao:

Z " #
1 ln y 2
y
1
2
E(Y ) = 2
exp dy
0 y 2 2 2
Z " # Z " #
1 t 2 1 t 2
= dt =
1 1
e exp
2t
exp + 2t dt
2 2 2 2 2 2
Z 2
t 2t + 2 4 2 t
=
1
exp dt =
2 2 2 2
Z " #
t 2 2t + 2 2 + 2
=
1
exp dt
2 2 2 2
Z " #
t 2 2t + 2 2 2
=
1
exp exp 2 dt =
2 2 2 2 2
" 2 #

2
t 2 2t + 2 2 + + 2 2 + 2 2
Z
2
= exp 2
1
exp dt
2 2 2 2 2
Z ( 2 ) 2 !
2 t + 2 2 + 2 2
= exp 2
1
exp exp dt
2 2 2 2 2 2 2
2 ! " Z ( 2 ) #
2 + 2 2 t + 2 2

1
= exp 2 + exp dt
2 2 2 2 2 2 2
Como antes, o termo entre os colchetes externos 1 porque a integral de uma densidade
normal com mdia + 2 2 e varincia 2 . Logo,
! 2
2 + 2 2 2
+ 2 + 4 2 + 4 4
E(Y ) = exp 2 +
2
= exp
2 2 2 2 2

E(Y 2 ) = exp 2 + 2 2
e
2
2
Var(Y ) = exp 2 + 2 exp +
2
=
2

2
= exp 2 + 2 exp 2 +
2
=
2

= exp 2 + 2 2 exp 2 + 2
" #
exp 2 + 2 2
= exp 2 + 2 1 =
exp 2 + 2
h i
= exp 2 + 2 exp 2 + 2 2 2 2 1 =
h i
= exp 2 + 2 exp 2 1

2

Definindo m = E(X ) = exp + 2 , temos que m2 = exp 2 + 2 . Logo,
h 2 i
Var(Y ) = m2 e 1 (7.22)
Captulo 8
Momentos e sua Funo Geradora
8.1 Momentos
Na definio de varincia aparece a esperana do quadrado, seja dos desvios em torno

da mdia, ou da prpria varivel. Esses so casos particulares de uma caractertica mais
geral de uma varivel aleatria, definida a seguir.
Definio 8.1 Momentos

O ksimo momento de uma varivel aleatria X , denotado por k0 , definido como
k0 = E(X k ) (8.1)
desde que essa quantidade exista. O ksimo momento central de uma varivel aleatria
X , denotado por k , definido como
k = E[X E(X )]k (8.2)
sempre que essa quantidade existir.
Note que E(X ) = 10 e Var(X ) = 2 = 20 (10 )2 . Temos tambm que, para qualquer
varivel aleatria, 1 = 0.
Exemplo 8.2 Momentos da distribuio gama

Calcule o k-simo momento de X Gama(, ).
Soluo:

1 x
Z
k
E(X ) = xk x e dx
()
Z0
+k1 x
= x e dx
0 ()
Z
( + k) +k
x +k1 ex dx
+k () 0 ( + k)
=
( + k) ( + k) ( + 1) ( + k 1)
+k
= k
k
= =
() ()

177
178 CAPTULO 8. MOMENTOS E SUA FUNO GERADORA
Exemplo 8.3 Momentos da distribuio de Weibull

Calcule o k-simo momento de X W eibull(, ).
Soluo: Z
E(X k ) = x k fX (x)dx

Z 1
+
xk x
= x e dx
0
Z +
1/ 1 u 1/1
= (u1/ )k u e u du
|{z}
0
u= x
Z +
= (u1/ )k eu du
0
Z +
k
k
= u( +1)1 eu du
0

k +k
= k + 1 = k

Proposio 8.4
Seja X varivel aleatria com densidade simtrica em torno de . Ento,
E((X )k ) = 0
sempre que k for mpar.
Demonstrao:
Primeiro veja que se X tem densidade simtrica em torno de , ento as variveis aleatrias
Y = (X ) e W = (X ) tem mesma distribuio.
FY (Y ) = P(Y y) = P(X y) = P(X + y) = FX ( + y) fY (y) = fX ( + y).
FW (w) = P(W w) = P((X ) w) = P(X w) = 1FX ( w) fW (w) = fX ( w).
Como fX simtrica em torno de podemos afirmar que fY (a) = fX ( + a) = fX ( a) =

fW (a), logo Y e W tem mesma distribuio.
Se (X ) e (X ) tem mesma distribuio, ento (X )k e ((X ))k tambm

tem mesma distribuio. Logo,

E (X )k = E ((X ))k .
Ento, se k for mpar,

E (X )k = E ((X ))k = E (X )k E (X )k = 0.
8.2 Alguns Coeficientes e suas Interpretaes
J vimos interpretaes para o primeiro momento, E(X ), e para o segundo momento

central, Var(X ). Dessa forma os dois primeiros momentos de uma varivel aleatria X guardam
8.2. ALGUNS COEFICIENTES E SUAS INTERPRETAES 179
informaes sobre a localizao e sobre a variao em torno da mdia dessa varivel. Nessa
seo veremos a definio de dois novos coeficientes, que dependem do 3o e do 4o momento
central. Com eles veremos como esses dois outros momentos podem nos passar informaes
sobre a varivel aleatria.
Definio 8.5 Coeficiente de Assimetria

Seja X varivel aleatria com E(X ) = e Var(X ) = 2 . O coeficiente de assimetria de X ,
denotado por 3 , definido por
E[(X )3 ]
3 =
3
supondo a existncia dos momentos envolvidos.
O coeficiente de assimetria, alm de quantificar o grau de assimetria de uma distribuio,

indica tambm o tipo de assimetria. Nas Figuras 8.1 e 8.2 os histogramas representam uma
distribuio assimtrica direita e uma assimtrica esquerda, respectivamente. Em termos
do coeficiente de assimetria, temos a seguinte caracerizao:
3 > 0 assimetria positiva ou direita

3 = 0 assimetria nula ou simetria
3 < 0 assimetria negativa ou esquerda
Figura 8.1 Assimetria direita Figura 8.2 Assimetria esquerda
J vimos que se X varivel aleatria com densidade simtrica em torno de , todos os

momentos centrais mpares so nulos. Em particular, tambm ser nulo o 3o momento central.
Logo, 3 = 0, indicando que a varivel aleatria simtrica, como espervamos.
Vejamos agora a definio de outro coeficiente, que depende do 4o momento central.
Definio 8.6 Coeficiente de Curtose

Seja X varivel aleatria com E(X ) = e Var(X ) = 2 . O coeficiente de curtose de X ,
denotado por 4 , definido por
E[(X )4 ]
4 = 3
4
supondo a existncia dos momentos envolvidos.
O coeficiente de curtose mede afastamentos em relao distribuio normal, tanto em

termos de pico, quanto em termos da espessura das caudas da distribuio. A subtrao de
3 no coeficiente tem a ver com o fato de o coeficiente de curtose da distribuio normal ser
3; assim, um coeficiente 0 indica total semelhana com a distribuio normal. Coeficientes
positivos indicam distribuies leptocrticas, que tm picos mais acentuados que a normal
e coeficientes negativos indicam uma distribuio platicrtica, que mais achatada que a
normal. Nas Figuras 8.3 a 8.6 ilustram algumas dessas distribuies. 1
Figura 8.3 Mesocrtica - 4 = 0.0 Figura 8.4 Platicrtica - 4 = 1.2
Figura 8.5 Leptocrtica - 4 = 3.0 Figura 8.6 Leptocrtica - 4 = 1.2
8.3 Funo Geradora de Momentos
Definio 8.7 Funo Geradora de Momentos

Seja X uma varivel aleatria qualquer. A funo geradora de momentos (fgm) de X ,
denotada por MX , definida por

MX (t) = E etX ,
desde que essa esperana exista para todo t em alguma vizinhana de 0.
Importante: a funogeradora de momentos funo de t. Para ela existir basta que

exista > 0 tal que E etX esteja bem definida para qualquer t (, ).
1
Os histogramas foram gerados a partir de 5000 observaes simuladas das seguintes distribuies: t(200),
Uni(0, 1), Laplace e logstica, ambas com parmetro de escla igual a 1 e parmetro de localizao 0. todas com
parmetro de escala 1.
8.3. FUNO GERADORA DE MOMENTOS 181
Veja que a definio de funo geradora de momentos feita independente do tipo de

varivel, mas a forma de encontr-la depende se X discreta ou contnua. Isto ,
X
Se X discreta MX (t) = E etX = etx pX (x).
xIm(X )
Z
Se X contnua MX (t) = E etX = etx fX (x)dx.

Lembrando da Definio 8.1, do momento de uma varivel aleatria, temos o Teorema

8.8 a seguir, que justifica o nome da funo MX .
Teorema 8.8 Seja X varivel aleatria com funo geradora de momentos MX , ento
dk

k

E X = k
Mx (t)
dt t=0
ou seja, o k-simo momento de X igual derivada de ordem k de MX avaliada em t = 0.
A demonstrao do Teorema 8.8 acima ser omitida pois precisamos de resultados ainda
no vistos nesse curso. Mas, a ttulo de curiosidade, ela pode ser encontrada no Teorema
5.10 de Magalhes (2011).
Antes de seguir com os exemplos veja que, qualquer que seja a varivel aleatria X ,
MX (0) = E(e0X ) = 1.
Esse resultado pode ser til para verificarmos se a funo geradora de momentos encontrada
est correta.
Exemplo 8.9 Distribuio de Bernoulli
Seja X Bern(p). Encontre a sua funo geradora de momentos e a partir dela calcule E(X )
e Var(X ).
Soluo:
Por definio MX (t) = E(etX ). Se X Bern(p),
1 1
X
tx x
X x
MX (t) = e p (1 p)1x
= pet (1 p)1x = 1 p + pet
x=0 x=0
Logo,
Se X Bern(p) MX (t) = 1 p + pet . (8.3)
Veja que MX (0) = 1. Calculando as derivadas primeira e segunda, obtemos que
MX0 (t) = MX00 (t) = pet
e, portanto
E(X ) = MX0 (0) = p

E(X 2 ) = MX00 (0) = p
Var(X ) = E(X 2 ) [E(X )]2 = p p2 = p(1 p)

Exemplo 8.10 Distribuio Binomial

Seja X B(n, p). Encontre a sua funo geradora de momentos e a partir dela calcule E(X )
e Var(X ).
Soluo:
Por definio,
n
X
MX (t) = E(etX ) = etk P(X = k)
k=0
n n
X
n
X
n
k
etk pk (1 p)nk = pet (1 p)nk

= k k
k=0 k=0
t
n
= pe + (1 p)
pela frmula do binmio de Newton.
Logo, n
Se X B(n, p) MX (t) = pet + (1 p) . (8.4)
Veja que MX (0) = 1. Para encontrar os dois primeiros momentos precisamos das duas
primeiras derivadas.
n1
MX0 (t) = npet pet + (1 p)

n1 n2 t
MX00 (t) = npet pet + (1 p) + n(n 1)pet pet + (1 p)

pe
t
t n1 t n2
= npe pe + (1 p) + n(n 1)p e pe + (1 p)
2 2t
e, portanto
E(X ) = MX0 (0) = np [p + (1 p)]n1 = np
E(X 2 ) = MX00 (0) = np [p + (1 p)]n1 + n(n 1)p2 [p + (1 p)]n2

= np + n(n 1)p2 = np + n2 p2 np2
Var(X ) = E(X 2 ) [E(X )]2 = np + n2 p2 np2 n2 p2 = np np2 = np(1 p)

Exemplo 8.11 Distribuio Geomtrica
Seja X geo(p). Encontre a sua funo geradora de momentos e a partir dela calcule E(X )
e Var(X ).
Soluo:
Por definio,

X
X
X
MX (t) = E(etX ) = etk p(1 p)k1 = et(j+1) p(1 p)j = pet etj (1 p)j
k=1 j=0 j=0

X j
= pet et (1 p)

j=0

Ento, se et (1 p) < 1, isto , para t < ln 1
1p temos que
pet
MX (t) = pet
1
.
1 et (1 p) 1 et (1 p)
=
Logo,
pet

1
Se X geo(p) MX (t) = , t < ln .
1 et (1 p)
(8.5)
1p
Veja que MX (0) = 1. Calculando as derivadas primeira e segunda, temos que

pet [1 et (1 p)] pet [et (1 p)] pet pe2t (1 p) + pe2t (1 p) pet
MX0 (t) = = =
[1 et (1 p)]2 [1 et (1 p)]2 [1 et (1 p)]2
pet [1 et (1 p)] 2pet [1 et (1 p)] [et (1 p)]

2
MX00 (t) =
[1 et (1 p)]4
pet [1 et (1 p)] + 2pe2t [1 et (1 p)] (1 p)
2
=
[1 et (1 p)]4
Logo,
p p
E(X ) = MX0 (0) =
1
= =
[1 (1 p)] 2 p 2 p
e
p [1 (1 p)]2 + 2p [1 (1 p)] (1 p)
E(X 2 ) = MX00 (0) =
[1 (1 p)]4
p3 + 2p2 (1 p) 2p2 p3 2p
= = =
p4 p4 p2
e, portanto
2p 1 1p
2 =
Var(X ) =
p 2 p p2
mesmos resultados obtidos anteriormente.

Veja no Exemplo 8.11 que a funo geradora de momentos de X geo(p) no est

definida para todo t R, mas est bem definida para t < ln(1/(1p)). E como ln(1/(1p)) > 0,
a funo geradora de momentos est bem definida para t em uma vizinhana de zero.
Proposio 8.12 Transformaes Lineares
Seja X uma varivel aleatria com funo geradora de momentos MX . Seja Y = aX + b.
Ento, a funo geradora de momentos de Y MY (t) = ebt MX (at).
Demonstrao:

MY (t) = E(etY ) = E et(aX +b) = E eatX ebt = ebt E eatX = ebt E e(at)X = ebt MX (at)
O resultado apresentado na Proposio 8.12 acima pode ser usado para encontrar a
funo geradora de momentos de uma varivel aleatria definida como transformao linear
de outra, da qual j conhecemos a funo geradora de momentos. Veja uma aplicao desse
resultado no Exemplo 8.13 a seguir.
Exemplo 8.13 Distribuio Geomtrica Alternativa
Seja X a varivel aleatria definida como o nmero de fracassos at a ocorrncia do 1o
sucesso em ensaios de Bernoulli independentes, todos com probabilidade de sucesso p. Veja
que X segue a forma alternativa da distribuio Geomtrica, definida na Seo 3.6. Encontre
a sua funo geradora de momentos de X .
Soluo:
Para facilitar a resoluo do exerccio vamos definir X como transformao linear de uma
geomtrica e ento usar a Proposio 8.12 e o resultado do Exemplo 8.11.
Podemos escrever X = W 1, onde W o nmero de tentativas at a ocorrncia do

1o sucesso em ensaios de Bernoulli independentes e todos com probabilidade de sucesso p.
Veja que W geo(p) e, de acordo com o Exerccio 8.11,
pet 1
MW (t) = t
, para t < ln .
1 e (1 p) 1p
Usando o resultado da Proposio 8.12, MX (t) = et MW (t). Logo,
pet p
MX (t) = et
1
, para t < ln .
1 et (1 p) 1 et (1 p)
=
1p

Exemplo 8.14 Distribuio de Poisson
Seja X Poisson(). Encontre a sua funo geradora de momentos e a partir dela calcule
E(X ) e Var(X ).
Soluo:
Por definio,
k
X k X k X et t
tX tk
MX (t) = E(e ) = e e = e etk = e = e ee .
k! k! k!
k=0 k=0 k=0
Logo,
t
Se X Poisson() MX (t) = e(e 1) (8.6)
Veja que MX (0) = 1. Vamos calcular as derivadas de ordem primeira e ordem segunda
para calcular os respectivos momentos:
t t t
MX0 (t) = e(e 1) et = et e(e 1) = et+(e 1)
t
MX00 (t) = et+(e 1) 1 + et

Logo,
E(X ) = MX0 (0) = e0+(e 1) =

0

E(X 2 ) = M 00 (0) = e0+(e 1) 1 + e0 = (1 + ) = 2 +
0
X
o que nos leva ao mesmo resultado anterior: Var(X ) = .

Exemplo 8.15 Distribuio Exponencial
Seja X exp(). Encontre a sua funo geradora de momentos e a partir dela calcule E(X )
e Var(X ).
Soluo:
Por definio

e(t)x
Z Z
MX (t) = E(etX ) = etx ex dx = e(t)x dx = .
0 0 ( t) 0
Para que esse limite seja real, isto , a integral exista, necessrio que t > 0, ou
seja, t < . Sob essa condio podemos seguir e concluir que

e(t)x 1
MX (t) = =0 = .
( t) 0 ( t) t
Logo,

Se X exp() MX (t) = , t < . (8.7)
t
Veja que MX (0) = 1. As derivadas primeira e segunda so

MX0 (t) = MX00 (t) = 2( t)
2
e =
( t)2 ( t)4 ( t)3
e os momentos de ordem 1 e 2 so:
E(X ) = MX0 (0) = E(X 2 ) = MX00 (0) =

1 2
e .
2
2 1 1
o que nos d, como antes, Var(X ) = 2 = 2.
2

Exemplo 8.16 Distribuio Gama

Seja X Gama(, ). Encontre a sua funo geradora de momentos.
Soluo:
Por definio

Z Z
tX tx 1 x
MX (t) = E(e ) = e x e dx = x 1 e(t)x dx .
() 0 ()
|0 {z }
Veja que a integral destacada com as chaves pode ser considerara uma gama modificada
somente se t > 0, ou seja, t < . Sob essa condio podemos seguir e concluir que
()
MX (t) = .
() ( t) ( t)
=
Logo,

Se X Gama(, ) MX (t) = , t < .
( t)
(8.8)
Veja que MX (0) = 1. Veja tambm que quando = 1 o resultado da Equaes 8.8
coincide com a Equao 8.7, que apresenta a funo geradora de momentos da exponencial.

Veja que assim como a funo geradora de momentos da geomtrica, no caso da

exponencial e da gama a funo geradora de momentos no est definida para todo t R,
mas para t < . Logo, ela est bem definida para t em uma vizinhana de zero.
Para encontrar a funo geradora de momentos de uma varivel aleatria Normal vamos
primeiro encontrar a funo geradora de momentos da Normal Padro. Em seguida vamos usar
a Proposio 8.12 para encontrar a funo geradora de momentos de uma normal qualquer.
Veja os Exemplos 8.17 e 8.18 a seguir.
Exemplo 8.17 Distribuio Normal Padro

Seja X N(0, 1). Encontre a sua funo geradora de momentos.
Soluo:
Por definio,
Z Z 2
tx 1 x 2 /2 x 2tx
e e
1
MZ (t) = dx = exp dx
2 2 2
Z 2
x 2tx + t 2 t 2

1
= exp dx
2 2
Z 2 2
x 2tx + t 2 t

1
= exp + dx
2 2 2
Z 2 2
x 2tx + t 2 t

1
= exp e dx
2 2 2
2Z " #
t (x t)2

1
= exp exp dx
2 2 2
| {z }
1
Logo,

t2
Se Z N(0, 1) MZ (t) = exp . (8.9)
2
Veja que MX (0) = 1.

Exemplo 8.18 Distribuio Normal

Seja X N(, 2 ). Encontre a sua funo geradora de momentos e a partir dela calcule:
E(X ), Var(X ), 3 e 4 .
Soluo:
Se X N(; 2 ) ento X = Z + , onde Z N(0; 1) com funo geradora de momentos
dada por MZ (t) = et /2 .
2
Como X uma transformao linear de Z , resulta da Proposio 8.12 que a funo

geradora de momentos de X dada por
MX (t) = et MZ ( t) = et e
2 t 2 /2
.
Logo,

2t2
Se X N(, 2 ) MX (t) = exp t + . (8.10)
2
Veja que MX (0) = 1.
Derivada primeira (primeiro momento esperana)

MX0 (t) = MX (t) + t 2
e, portanto,
E(X ) = MX0 (0) = MX (0) () =
Derivada segunda (segundo momento varincia)

MX00 (t) = MX0 (t) + t 2 + 2 MX (t)
Logo,
E(X 2 ) = MX00 (0) = MX0 (0) () + 2 MX (0) = 2 + 2
e, portanto
Var(X ) = E(X 2 ) [E(X )]2 = 2 + 2 2 = 2
Derivada terceira (terceiro momento assimetria)

MX000 (t) = MX00 (t) + t 2 + MX0 (t) 2 + MX0 (t) 2 = MX00 (t) + t 2 + 2MX0 (t) 2
Logo,
E(X 3 ) = MX000 (0) = MX00 (0) + 2MX0 (0) 2 = ( 2 + 2 ) + 2 2 = 3 + 3 2
e, portanto, o coeficiente de assimetria
E(X )3 E(X 3 3X 2 + 3X 2 3 ) 3 + 3 2 3( 2 + 2 ) + 3 2 3
3 = = = =0
3 3 3
Derivada quarta (quarto momento curtose)

MX (t) = MX000 (t) + t 2 + MX00 (t) 2 + 2MX00 (t) 2 = MX000 (t) + t 2 + 3MX00 (t) 2
(iv)
Logo,
E(X 4 ) = MX (0) = MX000 (0) + 3MX00 (0) 2 = ( 3 + 3 2 ) + 3 2 ( 2 + 2 ) = 4 + 6 2 2 + 3 4

(iv)
e, portanto, o coeficiente de curtose

E(X )4 E(X 4 4X 3 + 6X 2 2 4X 3 + 4 )
4 = 3 = 3
4 4
4 + 6 2 2 + 3 4 4( 3 + 3 2 ) + 6 2 ( 2 + 2 ) 4 3 + 4
= 3
4
4
= 3 4 3=0

Alm do fato de ser possvel encontrar todos os momentos de uma varivel aleatria
a partir da sua funo geradora de momentos, essa funo tem mais uma caracterstica
importante: ela tambm define por completo a distribuio da varivel aleatria. Veja Teorema
8.19 a seguir.
Teorema 8.19 Se duas variveis aleatrias tm funes geradoras de momentos que existem,
e so iguais, ento elas tm a mesma funo de distribuio.
A demonstrao do Teorema 8.19 ser omitida, pois ela usa conceitos ainda no
estudados neste curso. Veja que o Teorema 8.19 nos mostra que se duas variveis aleatrias
tem mesma funo geradora de momentos ento estas variveis aleatrias so identicamente
distribudas. Isso significa que podemos identificar a distribuio de uma varivel aleatria
a partir da sua funo geradora de momentos, assim como identificamos a distribuio da
varivel aleatria a partir da sua funo de distribuio, funo densidade ou funo de
probabilidade.
Veja uma aplicao do Teorema 8.19 no Exemplo 8.20 a seguir. Nele apresentada uma
alternativa para a demonstrao da Proposio 6.3.
Exemplo 8.20
Seja X gama(, ), Y = cx e c R. Mostre, a partir da funo geradora de momentos,
que Y gama(, /c).
Soluo:
Como X gama(, ) j sabemos que a sua funo geradora de momentos definida por:

MX (t) = , t < .
( t)
Vamos, a partir de MX , encontrar a funo geradora de momentos de Y = cX .

MY (t) = E(etY ) = E(etcX ) = MX (tc) = , tc <
( tc)
Ou seja,
(/c)
MY (t) = , t < /c.
(/c t)
Veja que trata-se da funo geradora de momentos de uma varivel aleatria com distribuio
gama(, /c). Logo, Y gama(, /c).

Vamos usar o Teorema 8.19 para mostrar que a transformao linear de uma varivel
aleatria normal tambm varivel aleatria normal. Veja a Proposio 8.21 a seguir.
Proposio 8.21 Transformao Linear de N(, )

Seja X N(, ) e Y = aX + b, com a, b R. Ento, Y N(a + b, a2 2 ).
Demonstrao:
Como X N(, ) sabemos, pela Equao 8.10, que

2t2
MX (t) = exp t + .
2
Usando o resultado da Proposio 8.12, podemos concluir que

tb tb 2 (ta)2
MY (t) = e MX (ta) = e exp ta +
2

(ta)
2 2
= exp tb + ta +
2

a 2t2
2
= exp (b + a)t +
2
Veja que trata-se da funo geradora de momentos de uma varivel aleatria com
distribuio Normal de mdia b + a e varincia a2 2 . Logo, Y N(b + a, a2 2 ).

8.4 Algumas Desigualdades Importantes
Se conhecemos a funo distribuio de uma varivel aleatria, sabemos calcular

qualquer probabilidade envolvendo essa varvel aleatria. Se conhecemos a funo geradora
de momentos, sabemos calcular qualquer momento de uma varivel aleatria (e podemos
8.4. ALGUMAS DESIGUALDADES IMPORTANTES 189
inclusive identificar a sua distribuio). Mas se conhecemos apenas alguns momentos de X

no conseguimos encontrar a sua distribuio e nem a sua funo geradora de momentos.
Consequentemente, no sabemos calcular probabilidades envolvendo X . Apesar disso, o
conhecimento do 1o e do 2o momento j nos d alguma informao sobre o comportamento de
X , como veremos nessa seo.
Proposio 8.22 Desigualdade de Markov (ou Bsica de Chebyshev)
Seja X uma varivel aleatria tal que P(X 0) = 1, ou seja, X assume apenas valores no
negativos. Ento, t > 0,
E(X )
P(X t) .
t
Demonstrao:
Primeiro vamos mostrar que a desigualdade vale quando X v.a. discreta.
X X X
E(X ) = xpX (x) = xpX (x) + xpX (x)
x x<t
|{z } xt
0, pois X 0
X X X
xpX (x) tpX (x) = t pX (x) = t P(X t).
xt xt xt
A demonstrao anloga quando X v.a. contnua . Veja,

Z Z Z
E(X ) = xfX (x)dx = xfX (x)dx + xfX (x)dx
| x<t {z } xt
0, pois X 0
Z Z Z
xfX (x)dx tfX (x)dx = t fX (x)dx = t P(X t).
xt xt xt

Exemplo 8.23 (Magalhes (2011) , Exemplo 4.27 )
Numa empresa com 100 funcionrios o nmero mdio de usurios simultneos de Internet,
num certo perodo do dia, de aproximadamente 30. Atualmente, existem 30 linhas telefnicas
disponveis para conexo. Avalie a necessidade de aumentar esse nmero.
Soluo:
Seja X = nmero de usurios simultneos na Internet. Veja que se temos 30 linhas disponveis,
a probabilidade de um usurio ficar sem Internet P(X > 30), que no sabemos calcular.
Se esse valor for grande, o aumento no nmero de linhas disponveis deve ser adotado.
Apesar de no sabermos calcular P(X > 30) podemos tentar usar a Desigualdade de
Markov para encontrar uma cota superior. Veja que X varivel aleatria no negativa, alm
disso sabemos que E(X ) = 30. Ento, usando a desigualdade,
P(X > 30) = P(X 31) E(X )/31 = 0, 9677.
Nesse caso a desigualdade no ajudou muito. Mas se aumentarmos o nmero de linhas

disponveis para 40 a probabilidade de um usurio ficar sem Internet ser P(X > 40). Mesmo
sem conhecer a distribuio de X podemos usar a Desigualdade de Markov e garantir que
P(X > 40) = P(X 41) E(X )/41 = 0, 7317.
Veja que j temos alguma informao! Vamos calcular as cotas superiores para a
probabilidade de um usurio ficar sem Internet para outros nmeros de linhas disponveis:
No de linhas disponveis Desigualdade de Markov Cota superior

30 P(X 31) 0, 9677 97%
40 P(X 41) 0, 7317 74%
50 P(X 51) 0, 5882 59%
60 P(X 61) 0, 4918 50%
70 P(X 71) 0, 4225 43%
80 P(X 81) 0, 3704 38%
Baseado nessas informaes, voc faria algum investimento para aumentar a quantidade
de linhas disponveis?

Proposio 8.24 Desigualdade Clssica de Chebyshev

Seja X varivel aleatria qualquer tal que E(X ) = e Var(X ) = 2 existem e so finitas.
Ento,
2
P(|X | t) 2 .
t
Demonstrao:
Primeiro veja que
P(|X | t) = P(|X |2 t 2 ),
pois a funo f(x) = x 2 estritamente crescente para x > 0. Alm disso, |X |2 varivel
aleatria no negativa, ento podemos aplicar a Desigualdade de Markov e concluir que
E(|X |2 2
P(|X |2 t 2 ) = .
t2 t2
Juntando,
2
P(|X | t) .
t2
Corolrio 8.25 Seja X varivel aleatria qualquer tal que E(X ) = e Var(X ) = 2 existem e
so finitas. Ento,
2
P(|X | < t) 1 2 .
t
Demonstrao:
Primeiro veja que
2 2
P(|X | t) P(|X | t) .
t2 t2
Com isso podemos concluir que,
2
P(|X | < t) = 1 P(|X | t) 1 .
t2

Exemplo 8.26
Continuando o Exemplo 8.23, sabendo que o desvio padro no nmero de usurios simultneos
na Internet 10, melhore as aproximaes encontradas no Exemplo 8.23.
Soluo:
Nesse caso temos mais uma informaes, o desvio padro. Com isso podemos usar a
Desigualdade Clssica de Chebyshev.
8.4. ALGUMAS DESIGUALDADES IMPORTANTES 191
Veja que a probabilidade de um usurio ficar sem Internet se temos k linhas disponveis
2 100
P(X > k) = P(X k +1) = P(X 30 k 29) P(|X 30| k 29) = .
(k 29)2 (k 29)2
Logo,
100
P(X k + 1) .
(k 29)2
Com isso podemos recalcular as cotas superiores.
No de linhas disponveis Desigualdade Cota superior

30 P(X 31) 25 100%
40 P(X 41) 0, 8264 83%
50 P(X 51) 0, 2267 23%
60 P(X 61) 0, 1040 11%
70 P(X 71) 0, 0595 6%
80 P(X 81) 0, 0384 4%

Exemplo 8.27
Seja X uma v.a. com mdia < e varincia 2 < . Encontre uma cota superior para
P(|X | 2 ) (ou uma cota inferior para P(|X | 2 )). Encontre tambm uma cota
superior para P(|X | 3 ) (ou uma cota inferior para P(|X | 3 )).
Soluo:
Se X uma v.a. com mdia < e varincia 2 < , ento

1
P(|X | 2 ) = 0, 25 P(|X | 2 ) 0, 75
22
ou seja, para qualquer v.a. com mdia e varincia finitas, a porcentagem de valores a
uma distncia de 2 desvios-padro da mdia de pelo menos 75%.

1
P(|X | 3 ) = 0, 1111 P(|X | 3 ) 0, 8889
32
ou seja, para qualquer v.a. com mdia e varincia finitas, a porcentagem de valores a
uma distncia de 3 desvios-padro da mdia de pelo menos 88, 89%.
Compare esses valores com aqueles obtidos no Exemplo 7.22 e ilustrados na Figura 7.39 para
uma distribuio normal.

Apndice A
Alguns Resultados de Clculo
A.1 Sries geomtricas
Convergncia
Vamos estudar a convergncia da srie geomtrica

X
ar i (A.1)
i=0
considerando os possveis valores da razo r.
r=1
Nesse caso, a srie a + a + a + e a nsima soma parcial
sn = a + a + + a = (n + 1)a
para a qual temos lim sn = lim (n + 1)a = a dependendo do sinal de a. Resulta,
n n
ento, que a srie geomtrica (A.1) diverge.
r = 1
Nesse caso, a srie a a + a a + a a + e a sequncia das somas parciais
a, 0, a, 0, a, que, obviamente, diverge. Logo, a srie geomtrica diverge se r = 1.
|r| =
6 1
A nsima soma parcial
sn = a + ar + ar 2 + . . . + ar n
Multiplicando ambos os lados por r, obtemos que
rsn = ar + ar 2 + ar 3 + . . . + ar n + ar n+1
e, portanto,
sn rsn = (a + ar + ar 2 + . . . + ar n ) (ar + ar 2 + ar 3 + . . . + ar n + ar n+1 ) = a ar n+1
Logo,
sn (1 r) = a(1 r n+1 )
Como r 6= 1,podemos escrever
a(1 r n+1 )
sn = (A.2)
1r
193
194 APNDICE A. ALGUNS RESULTADOS DE CLCULO
? |r| < 1 (1 < r < 1)

a
Nesse caso, lim r n+1 = 0 e lim sn = , ou seja,
n n 1r

X a
ar i = se | r | < 1. (A.3)
1r
i=0
? r>1
Nesse caso, lim r n+1 = o que implica que a sequncia das somas parciais
n
diverge, o mesmo ocorrendo com a srie geomtrica.
? r < 1
Nesse caso, r n+1 oscila entre valores negativos e positivos de magnitude crescente,
o que implica novamente que a sequncia das somas parciais diverge, o mesmo
ocorrendo com a srie geomtrica.
Resumindo, temos o seguinte resultado:
! Srie geomtrica

ar i diverge se |r| 1 e converge se |r| < 1. Temos
P
A srie geomtrica
i=0
tambm que

X a
ar i = se | r | < 1. (A.4)
1r
i=0
Note que podemos escrever (ateno aos ndices dos somatrios!):

X
i
X
i a X
ar = a + ar = =a+ ar i se | r | < 1
1r
i=0 i=1 i=1
ou

X a ar
ar i = a= se | r | < 1 (A.5)
1r 1r
i=1
Derivadas
Vamos considerar agora o caso particular em que a = 1.
Derivada primeira
A.1. SRIES GEOMTRICAS 195

!
d X
i d
r = (1 + r + r 2 + r 3 + r 4 + + r n + )
dr dr
i=0
= 1 + 2r + 3r 2 + 4r 3 + + nr n1 + = h i
= 1 + (r + r) + (r 2 + 2r 2 ) + (r 3 + 3r 3 ) + r n1 + (n 1)r n1 +
h i
= (1 + r + r 2 + r 3 + + r n1 + ) + r + 2r 2 + 3r 3 + + (n 1)r n1 +

X
= (r i + ir i )
i=0
X
= (1 + i)r i
i=0
Como a srie geomtrica convergente para | r | < 1, podemos igualar as derivadas, isto
:

!
X
i d X
i d 1
(1 + i)r = r = se | r | < 1
dr dr 1 r
i=0 i=0
ou seja,

X
(1 + i)r i =
1
se | r | < 1 (A.6)
i=0
(1 r)2
Mas podemos escrever

(1 + i) i! (1 + i)! 1+i
(1 + i) = = =
i! i! 1! i
resultando que

X 1+i
ri =
1
se | r | < 1 (A.7)
i (1 r)2
i=0
Derivada segunda

!
d2 X i d2
r = (1 + r + r 2 + r 3 + r 4 + + r n1 + r n + r n+1 ) =
dr 2 dr 2
i=0
d
= 1 + 2r + 3r 2 + 4r 3 + (n 1)r n2 + nr n1 + (n + 1)r n + =
dr
= 2 1 + 3 2 r + 4 3 r 2 + + (n 1)(n 2)r n3 + n(n 1)r n2 + (n + 1)nr n1 +
X
= (i + 2)(i + 1)r i
i=0
Igualando as derivadas, obtemos:

X d2 i 1 d 1 2 (1 r)(1)
(i + 2)(i + 1)r = 2 = =
dr 1r dr (1 r)2 (1 r)4
i=0
ou

X
(i + 2)(i + 1)r i =
2
(A.8)
(1 r)3
i=0
Esse resultado pode ser escrito de outra forma:

X
(i + 2)(i + 1)r i =
2

(1 r)3
i=0

X
ri =
(i + 2)(i + 1) 1

2 (1 r)3
i=0

X (i + 2)(i + 1)i! i 1
r =
2 i! (1 r)3
i=0

X
ri =
(i + 2)! 1

i! 2! (1 r)3
i=0

X i+2 i 1
r =
2 (1 r)3
i=0
Pela propriedade das relaes complementares, sabemos que i+2 i+2

2 = i e, portanto,
resulta que

X i+2 i X i+2 i 1
r = r = (A.9)
2 i (1 r)3
i=0 i=0
Terceira derivada

!
d3 X
i d3
r (1 + r + r 2 + r 3 + r 4 + r 5 + + r n1 + r n + r n+1 ) =
=
dr 3 dr 3
i=0
d2 n2 n1 n

= 1 + 2r + 3r 2
+ 4r 3
+ 5r 4
+ + (n 1)r + nr + (n + 1)r + =
dr 2
2 1 + 3 2 r + 4 3 r 2 + 5 4 r 3 + + (n 1)(n 2)r n3

d
+n(n 1)r n2 + (n + 1)nr n1 +
=
dr
= 3 2 1 + 4 3 2 r + 5 4 3 r 2 + + (n 1)(n 2)(n 3)r n4 +
+n(n 1)(n 2)r n3 + (n + 1)n(n 1)r n2 +

X
= (i + 3)(i + 2)(i + 1)r i
i=0
Igualando as derivadas:

X
i d3 1 d 2
(i + 3)(i + 2)(i + 1)r = 3 =
dr 1r dr (1 r)3
i=0
2 3 (1 r)2 (1) 3!
= =
(1 r)6 (1 r)4
Logo,

X
X (i + 3)(i + 2)(i + 1)i!
i
ri =
(i + 3)(i + 2)(i + 1) 1 1
r =
3! (1 r)4 3! i! (1 r)4
i=0 i=0

X 3+i i X 3+i i 1
r = r = (A.10)
i 3 (1 r)4
i=0 i=0
A.2. A FUNO LOGARTMICA NATURAL 197
Resultado geral
Continuando a derivar (note que podemos tomar derivadas de qualquer ordem!), obtm-
se o seguinte resultado geral:

X k +i i X k +i i 1
r = r =
(1 r)k+1
(A.11)
i k
i=0 i=0
A.2 A funo logartmica natural
Definio e propriedades
Definio A.1 Funo logartmica natural
A funo logartmica natural, denotada por ln, definida como

Z x
1
ln(x) = dt x>0 (A.12)
1 t
A condio x > 0 necessria pois, se tivssemos x 0, o domnio de integrao

incluiria t = 0, onde a funo f(t) = 1t no est definida.
Pelo Teorema Fundamental do Clculo, vemos que ln(x) uma antiderivada de x1 , isto
d 1
ln(x) = x>0
dx x
Isso significa que ln(x) diferencivel e sua derivada positiva no seu domnio de definio.
Resulta, ento, que ln(x) uma funo contnua (porque ela diferencivel) e crescente
(porque sua derivada sempre positiva).
Da definio da funo ln(x) seguem as seguintes propriedades:
1. ln(1) = 0
2. Se p > 0 e q > 0, ento ln(pq) = ln(p) + ln(q)

Demonstrao
d 1 1
ln(px) = .p =
dx px x
1
Isso significa que ln(px) e ln(x) so ambas antiderivadas de e, portanto, diferem por
x
uma constante, ou seja:
ln(px) = ln(x) + C
Fazendo x = 1, resulta que ln(p) = 0 + C e, portanto
ln(px) = ln(x) + ln(p) x > 0, p>0
Fazendo x = q, prova-se o resultado desejado.


1
3. Se p > 0, ento ln = ln(p)
p
Demonstrao
1
Fazendo q = no resultado anterior obtemos:
p

1 1
ln p = ln(1) = ln(p) + ln
p p
Como ln(1) = 0, segue o resultado.

p
4. Se p > 0 e q > 0, ento ln = ln(p) ln(q)
q
Demonstrao
Usando os resultados anteriores temos que

p 1 1
ln = ln p = ln(p) + ln = ln(p) ln(q)
q q q

5. Se p > 0 e r um nmero racional qualquer, ento ln(pr ) = r ln p

Demonstrao
Usando a regra da cadeia, temos que

d d d
ln (pr ) = r rpr1 = r
1 1
=r ln(p) = (r ln p)
dp p p dp dp
Da v-se que ln(pr ) e r ln(p) tm a mesma derivada; logo
ln(pr ) = r ln(p) + C
Fazendo p = 1 obtm-se que C = 0 e, portanto
ln(pr ) = r ln(p)
Grfico
Como ln(x) contnua e crescente, e ln(1) = 0, resulta que para x > 1, ln x > 0 e para
0 < x < 1, ln x < 0. Alm disso,

d2 d 1 1
ln(x) = = 2 <0
dx 2 dx x x
Logo, a funo ln(x) cncava para baixo. Vamos ver, agora, o comportamento assinttico de
ln(x).
Para x > 0, a funo f(x) = x1 positiva e, portanto, a integral definida pode ser
interpretada como rea sob a curva. Analisando a Figura A.1, podemos ver que a rea sob a
curva de f entre 1 e 4 a rea dos retngulos em cinza escuro mais a rea em cinza claro. Os
A.2. A FUNO LOGARTMICA NATURAL 199
Figura A.1 Grfico da funo f(x) =

1
x
trs retngulos (cinza escuro) tm vrtices superiores direita sobre a curva. Isso significa
que a rea sob a curva entre 1 e 4 maior que a rea dos trs retngulos, ou seja,
Z 4
1 1 1 1 13
dt > + + = >1
1 t 2 3 4 12
Logo,
ln(4) > 1
e se M um nmero racional positivo qualquer,

M ln(4) > M = ln 4M > M
Tomando x > 4M , como ln(x) uma funo crescente, teremos

ln(x) > ln 4M > M
Como M qualquer racional positivo, isso significa que podemos fazer ln(x) to grande quanto
desejado, bastando para isso tomar x suficientemente grande, donde se conclui que
lim (ln x) =
x

1 1
Como ln = ln(x), segue que ln x = ln e, portanto,
x x

1
lim (ln x) = lim+ ln
x0+ x0 x

1 1
Mas quando x 0+ , e, pelo resultado acima, ln x1 e, portanto, ln .
x x
Isso significa que
lim (ln x) =
x0+
Na Figura A.2 temos o grfico da funo f(x) = ln(x).

Figura A.2 Grfico da funo f(x) = ln(x)
A.3 A funo exponencial natural
Definindo f(x) = ln(x), vimos que f : R+ R uma funo contnua estritamente

crescente tal que lim ln(x) = e lim+ ln(x) = . Com base nesses resultados, podemos
x x0
provar o seguinte teorema:
Teorema A.2
A cada nmero real x existe um nico nmero real positivo y tal que ln y = x.
Demonstrao:
Demonstrao
Se x = 0, ento ln(1) = 0 e 1 o nico valor de y para o qual ln(y) = 0, uma vez que
ln estritamente crescente.
Se x > 0, como lim ln(x) = , podemos escolher um nmero b tal que ln(1) < x < ln(b).
x
Como ln contnua, o Teorema do Valor Intermedirio garante a existncia de um nmero
y entre 1 e b tal que ln(y) = x e esse nmero nico porque ln crescente.
Se x < 0, como lim+ ln(x) = , existe um nmero b > 0 tal que ln(b) < x < ln(1). Como
x0
antes, o Teorema do Valor Intermedirio e a continuidade de ln garantem a existncia
de um nico nmero y entre b e 1 tal que ln(y) = x.
O teorema acima nos permite definir uma funo de R em R+ , uma vez que a cada x R
podemos associar um nico nmero y R+ .
A.3. A FUNO EXPONENCIAL NATURAL 201
Definio A.3 A funo exponencial natural

A funo exponencial natural, denotada por exp, definida como
exp(x) = y se e somente se ln(y) = x (A.13)
para todo x e y > 0.
Propriedades da funo exponencial
A funo f(x) = exp(x) biunvoca.

Demonstrao
Se exp(x1 ) = exp(x2 ) = b, ento, por definio, ln b = x1 e ln b = x2 e, portanto, x1 = x2 .

As funes exp e ln so uma a inversa da outra.

Demonstrao
exp(ln(x)) = y ln(y) = ln(x) y = x exp(ln(x)) = x

ln(exp(x)) = y exp(y) = exp(x) y = x ln(exp x) = x
O nmero neperiano
O nmero neperiano tambm conhecido como nmero de Euler, em homenagem ao

matemtco suio Leonard Euler.
Definio A.4 O nmero neperiano

O nmero neperiano e definido como o o nico nmero real positivo tal que
ln e = 1
Usando a regra do trapezoidal, pode-se mostrar que

Z 2,7 Z 2,8
1 1
dx < 1 < dx
1 x 1 x
o que significa que
ln(2, 7) < ln(e) < ln(2, 8)
ou ainda,
2, 7 < e < 2, 8
uma vez que ln crescente,
Se r qualquer nmero racional, ento
ln(er ) = r ln(e) = r
Comparando esse resultado com a definio da funo exponencial, conclumos que

er = exp(r), o que nos leva a uma outra definio.
Definio A.5
Se x qualquer nmero real, ento ex o nico nmero real y tal que ln(y) = x.
Comparando as definies, conclumos que
exp(x) = ex (A.14)
e isso nos diz que

ex = y ln(y) = x (A.15)
Mais propriedades da funo exponencial
As propriedades a seguir seguem das definies e do fato de a funo ln ser bijetora.
Se p e q so nmeros reais, ento ep eq = ep+q

Demonstrao
ln(ep eq ) = ln(ep ) + ln(eq ) = p + q = ln(ep+q ) ep eq = ep+q
ep
Se p e q so nmeros reais, ento = epq
eq
Demonstrao
ep ep

= ln(ep ) ln(eq ) = p q = ln(epq ) = epq
eq eq
ln
Se p um nmero real e r um nmero racional, ento (ep )r = epr .

Demonstrao
ln (ep )r = r ln ep = rp = ln(epr ) (ep )r = epr
Derivada e grfico
Teorema A.6 Teorema da funo inversa

Se f uma funo diferencivel com inversa g e se f 0 (g(c)) 6= 0, ento g diferencivel em c
e g0 (c) = 0
1
.
f (g(c))
Demonstrao:
H
A.4. FUNO EXPONENCIAL DE BASE A 203
Vamos aplicar este resultado para a funo f(x) = ln(x). Sabemos que f diferencivel
com derivada f 0 (x) = , positiva para todo x > 0. Vimos tambm que f 1 (x) = g(x) = ex . Pelo
1
x
teorema A.6, resulta que a funo g(x) = ex tambm diferencivel e sua derivada dada
por
g0 (x) = 0 = 1 = 1 = ex
1 1 1
f (g(x)) g(x) ex
ou seja, a funo exponencial sua prpria derivada! Como ex > 0, segue que as derivadas
primeira e segunda so positivas; logo, ex uma funo crescente com concavidade para cima.
Alm disso,
x = ln(exp x) = exp x = lim exp x = (A.16)

x
x = ln(exp x) = exp x 0 = lim exp x = 0 (A.17)
x
O grfico da funo g(x) = ex est na Figura A.3.
Note que, como a funo ex a inversa da funo ln(x), o grfico da funo exponencial
uma reflexo do grfico da funo logartmica atravs da reta y = x. Veja a Figura A.4.
Figura A.3 Grfico da funo f(x) = ex
A.4 Funo exponencial de base a
Vimos que, se r um nmero racional e a > 0, ento
ln ar = r ln a = ar = er ln a
Iremos usar este resultado para definir a funo exponencial com base a.
Figura A.4 Funes logartmica e exponencial naturais - reflexo atravs a reta y = x
Definio A.7 Funo exponencial com base a

Se x qualquer nmero real e a qualquer nmero real define-se
ax = ex ln a
A funo f(x) = ax chamada a funo exponencial com base a.
Com essa definio, podemos generalizar as propriedades da fun exponencial natural

vista anteriormente.
Propriedades da funo exponencial
Todas as propriedades a seguir so decorrncia da definio da funo exponencial com

base a e propriedades j vistas da funo exponencial natural.
1. Se u um nmero real qualquer e a > 0, ento ln au = u ln a

Demonstrao
ln au = ln eu ln a = u ln a
2. Se u e v so nmeros reais quaisquer e a > 0, ento au av = au+v .

Demonstrao
au av = eu ln a ev ln a = eu ln a+v ln a = e(u+v) ln a = au+v

A.5. A FUNO LOGARTMICA DE BASE A 205
au
3. Se u e v so nmeros reais quaisquer e a > 0, ento av = auv .
Demonstrao
au eu ln a
= eu ln av ln a = e(uv) ln a = auv
av ev ln a
=
4. Se u e v so nmeros reais quaisquer e a > 0, ento (au )v = auv .

Demonstrao
u
(au )v = ev ln a = evu ln a = auv
Derivada e grfico da funo exponencial
Para calcular a derivada da funo exponencial com base a, vamos usar a regra da
cadeia e o fato de a derivada da funo exp ser a prpria funo:
d x d x ln a d
(a ) = e = ex ln a (x ln a) = (ln a) ex ln a
dx dx dx
ou seja
d x
(a ) = ax ln a (A.18)
dx
Se a > 1, ln a > 0 e ax uma funo crescente para x R (note que ax > 0 para todo
a, pela definio). Se 0 < a < 1, ln a < 0 e ax uma funo decrescente para x R.
Note tambm que, se a > 1
lim ax = lim ex ln a =
x x
lim ax = lim ex ln a = 0
x x
e se 0 < a < 1
lim ax = lim ex ln a = 0
x x
lim ax = lim ex ln a =
x x
Na Figura A.5 ilustra-se o grfico de f(x) = ax para a = 2 e a = 21 . O grfico da funo

exponencial com base a sempre ter essas formas, dependendo se a > 1 ou 0 < a < 1.
A.5 A funo logartmica de base a
Se a 6= 1, a funo f(x) = ax bijetora e, portanto, admite uma inversa. Essa inversa

ser denotada por loga , o que nos leva seguinte definio.
Figura A.5 Grfico de f(x) = ax para a = 2 e a =

1
2
Definio A.8 Funo logartmica de base a

A funo logartmica de base a, a 6= 1, denotada por loga a inversa da funo
exponencial de base a e, portanto,
loga x = y x = ay (A.19)
Note que, quando a = e, temos a funo logartmica natural.
Propriedades da funo logartmica
Relao entre as funes logartmica natural e de base a
ln x
loga x = y x = ay ln x = y ln a y =
ln a
Como y = loga x, segue que
ln x
loga x = (A.20)
ln a
Se p > 0 e q > 0 so nmeros reais, ento loga pq = loga p + loga q.
Demonstrao
ln pq ln p + ln q ln p ln q
loga pq = = = + = loga p + loga q
ln a ln a ln a ln a

p
Se p > 0 e q > 0 so nmeros reais, ento loga q = loga p loga q.
Demonstrao
p ln qp ln p ln q ln p ln q
loga = = = = loga p loga q
q ln a ln a ln a ln a
A.6. LIMITES ENVOLVENDO AS FUNES EXPONENCIAL E LOGARTMICA 207
Se p > 0 e x nmero real qualquer, ento loga px = x loga p.

Demonstrao
ln px x ln p
loga px = = = x loga p
ln a ln a

Derivada e grfico
Vamos calcular a derivada de f(x) = loga x.

ln x d d ln x 1 1
loga x = = loga x = =
ln a dx dx ln a ln a x
ou seja,
d 1
loga x = (A.21)
dx x ln a
Como no caso das funes exponencial e logartimica naturais, os grficos de f(x) = ax

e g(x) = loga x so um a reflexo do utro atravs da reta y = x, conforme ilustrado na Figura
A.6.
Figura A.6 Funes logartmica e exponencial de base a - reflexo atravs a reta y = x
A.6 Limites envolvendo as funes exponencial e logartmica

1
limh0 (1 + h) h = e
Demonstrao
Da definio de derivada da funo f(x) = ln x, temos que
ln(x + h) ln(x)
f 0 (x) = lim
h
h0
1 x +h
= lim ln
h0 h x
1
x +h h
= lim ln
h0 x
1
h h
= lim ln 1 +
h0 x
Como f 0 (x) = , para x = 1 temos f 0 (1) = 1 e, portanto,

1
x
1
1 = lim ln (1 + h) h
h0
Mas h i
1 1
(1 + h) h = exp ln (1 + h) h
Como a funo exponencial contnua,

1 1
lim (1 + h) h = lim exp ln (1 + h) h
h0 h0
1
= exp lim ln (1 + h) h
h0
= exp(1)
= e
ou seja,
1
lim (1 + h) h = e (A.22)
h0
Fazendo 1
h = n na expresso acima, obtemos que
1 n

lim 1 + =e (A.23)
n n

x n
lim 1+ = ex
n n
Demonstrao
x
Fazendo t = , resulta que
n
x n x h ix
lim 1 + = lim (1 + t) t = lim (1 + t)1/t
n n t0 t0
Mas a funo exponencial contnua; logo,

h ix x
lim (1 + t)1/t = lim (1 + t)1/t = ex
t0 t0
Logo, x n
lim 1+ = ex (A.24)
n n

A.6. LIMITES ENVOLVENDO AS FUNES EXPONENCIAL E LOGARTMICA 209
lim x k ex = 0
x
Demonstrao
Vamos mostrar esse resultado usando demonstrao por induo e usando, tambm, a
regra de LHpital.
? k =1
x
lim xex = lim
x x ex

que tem a forma e, portanto, podemos aplicar LHpital, que diz que
x x0
lim xex = lim
1
x x e x
= lim x
x (e )0 = lim x = 0
x e
Logo, o resultado vale para k = 1.

? Suponhamos verdadeiro para qualquer k; vamos mostrar que vale para k + 1.
0
k+1 x x k+1 x k+1 (k + 1) x k
lim x e
x ex x (ex )0 ex
= lim = lim = lim
x x
xk
= (k + 1) lim x = (k + 1) 0 = 0
x e
pela hiptese de induo.
A interpretao desse resultado pode ser vista na Figura A.7 para o caso de x 3 : para
valores de x maiores que a abscissa do ponto de interseo representado em verde, o valor
de ex sempre maior que x 3 e, portanto o limite de ex x zero. Dito de outra forma, a funo
3
exponencial cresce muito mais rapidamente que qualquer funo polinomial.
x3
Figura A.7 Ilustrao do resultado lim
x ex
=0
De maneira anloga, prova-se um resultado mais geral dado por:
lim x k ex = 0 k > 0 e > 0 (A.25)

x
Frmula de Taylor
Vamos ver, agora, a frmula de Taylor para a funo f(x) = ex . Lembrando que a derivada
de f(x) a prpria f(x) e que f(0) = 1, podemos escrever:
x2 xn
ex = 1 + x + + + + Rn+1
2! n!
onde
ez
Rn+1 = x n+1
(n + 1)!
para algum z entre 0 e x. Se x > 0, ento 0 < z < x, o que implica que ez < ex e, portanto
ex
0 < Rn+1 < x n+1
(n + 1)!
Mas
ex x n+1
lim x n+1 = ex lim = ex 0 = 0
n (n + 1)! n (n + 1)!
e, pelo teorema do sanduche, lim Rn+1 = 0. Se x < 0, como z est entre x e 0, segue que
z < 0; logo, ez < 1 e
n+1
x
0 < |Rn+1 | < 0
(n + 1)!
Logo, tambm neste caso lim Rn+1 = 0.
n
Segue, ento, que f(x) = ex representada pela srie de Taylor, ou seja, podemos
escrever

X xk
ex = (A.26)
k!
k=0
A.7 Funes pares e mpares
Definio A.9 Funes pares e mpares

Uma funo f(x) par se
f (x) = f (x) (A.27)
Uma funo f(x) mpar se
f (x) = f (x) (A.28)
Teorema A.10 Integral de funes pares e mpares
Se f(x) par, ento Z Z

f(x)dx = 2 f(x)dx (A.29)
0
Se f(x) mpar, ento Z

f(x)dx = 0 (A.30)

A.8. INTEGRAIS DUPLAS COM COORDENADAS POLARES 211
Demonstrao:
Demonstrao
Podemos escrever
Z Z 0 Z
f(x)dx = f(x)dx + f(x)dx
0
Fazendo x = t na primeira integral, tem-se que:

Z Z 0 Z Z 0 Z
f(x)dx = f(t)(dt) + f(x)dx = f(t)dt + f(x)dx

Z Z 0 0
= f(t)dt + f(x)dx
0 0
Se a funo par, resulta que:

Z Z Z Z Z Z
f(x)dx = f(t)dt + f(x)dx = f(t)dt + f(x)dx = 2 f(x)dx
0 0 0 0 0
Se a funo mpar, resulta que:

Z Z Z Z Z
f(x)dx = f(t)dt + f(x)dx = f(t)dt + f(x)dx
0
Z Z0 0 0
= f(t)dt + f(x)dx = 0
0 0

A.8 Integrais duplas com coordenadas polares
No clculo de integrais duplas, a utilizao de coordenadas polares bastante til. No

sistema cartesiano, cada ponto do plano representado pela sua abscissa e sua ordenada. No
sistema de coordenadas polares, em vez dos eixos x e y, trabalha-se com um polo ou origem,
que um ponto fixo do plano, e um eixo polar, que uma semi-reta orientada, conforme
ilustrado na Figura A.8. As coordenadas polares de um ponto P qualquer no plano so a
distncia r = d(O, P) e o ngulo determinado pelo eixo polar e o segmento OP. Em geral,
a coordenada considerada positiva se gerada por uma rotao anti-horria e negativa,
caso contrrio.
As coordenadas polares de um ponto no so nicas,7pois h vrios ngulos com o

mesmo lado terminal OP. Por exemplo, 3, 4 , 3, 9

4 e 3, 4 representam o mesmo ponto.
Permite-se tambm que a coordenada r seja negativa.
Se uma funo de uma varivel f est definida em um intervalo [a, b] , a definio de

integral (simples) requer a partio do intervalo [a, b] em subintervalos de comprimento xi ,
conforme ilustrado na Figura A.9. Se denotamos por P a partio {x0 , x1 , . . . , xn }, ento a
integral definida de Riemann definida como
Z b X
f(x)dx = lim
f (wi ) xi
a P 0
Figura A.8 Sistema de coordenadads polares
Figura A.9 Partio do intervalo [a, b]
Para integrais duplas de funes definidas em coordenadas cartesianas, temos que ter
a partio da regio de definio R da funo de duas variveis f(x, y), conforme ilustrado na
Figura A.10. Nesse caso, a integral dupla definida como
Z Z
f(x, y)dA = lim
f (ui , vi ) Ai
P 0
R
e calculada atravs de integrais parciais, isto , calcula-se primeiro a integral com respeito
a y, mantendo x constante, e depois integra-se o resultado com relao a x :
Z Zb d Z "Z b
#
d
f(x, y)dydx = f(x, y)dy dx
a c a c
Figura A.10 Partio da regio R coordenadas cartesianas

A.8. INTEGRAIS DUPLAS COM COORDENADAS POLARES 213
O clculo de integrais duplas de funes parametrizadas em termos de coordenadas

polares requer que a partio da regio de integrao seja definida em termos de tais
coordenadas, conforme ilustrado na Figura A.11.
Figura A.11 Partio da regio R coordenadas polares
Vamos considerar uma regio polar elementar (ver Figura A.12). A rea total de um
Figura A.12 Regio polar elementar
crculo dada por

2r 2 1
r 2 = = (2) r 2 ;
2 2
logo, a rea de um setor circular correspondente a um ngulo e raio r
1
() r 2
2
Ento, a rea da regio polar elementar

1 1 1 1
A = () r22 () r12 = () r22 r12 = () (r1 + r2 ) (r2 r1 )
2 2 2 2
Definindo
1
r = (r1 + r2 )
2
r = r2 r1
podemos escrever:
A = rr
A integral em termos das coordenadas polares , ento:

Z Z X
f(r, )dA = lim
f(ri , i )ri i ri
P 0
R
e calculada como Z Z Z Z
f(r, )dA = f(r, )rdrd (A.31)
R R
et
2 /2
Exemplo A.11
Soluo:
A 2
t
funo f(t) = exp desempenha papel importante em probabilidade. Para
2
calcular sua integral, no podemos aplicar o Teorema Fundamental do Clculo pois f(t) no
possui antiderivada. Mas podemos ver que f(t) uma funo par. Sabemos, ento, que
Z Z
t2 t2
exp dt = 2 exp dt
2 0 2
Temos, tambm, que

Z 2 Z Z

t2 t2 u2
exp dt = exp dt exp du =
0 2 0 2 0 2
Z Z 2
t + u2
= exp dtdu
0 0 2
Nessa integral dupla, a regio de integrao o primeiro quadrante e a relao entre

as coordenadas cartesianas (u, t) e as coordenadas polares (r, ) nesse quadrante (veja a
Figura A.13)
u = r cos u>0 r>0

t = r sin t>0 0< <
2
Temos tambm que

t 2 + u2 = r 2
e, ento, podemos calcular a integral dupla usando coordenadas polares da seguinte forma:

Z Z Z Z 2 2
t 2 + u2 r
exp dtdu = exp rddr
0 0 2 0 0 2
r2
Fazendo = w, ento rdr = dw e w varia de 0 a . Logo,
2
Z Z Z "Z #
Z Z 2 2
r 2 2
exp rddr = exp (w) ddw = d exp (w) dw =
0 0 2 0 0 0 0
Z

= exp(w)dw = ew 0 =
0 2 2 2
A.9. A FUNO GAMA 215
Figura A.13 Relao entre coordenadas cartesianas e polares no primeiro quadrante
Provamos assim que

Z 2 2
t
exp dt =
0 2 2
Z 2 r
t
exp dt = (A.32)
0 2 2
e, portanto,

Z 2
t
exp dt = 2 (A.33)
2
ou ainda
Z
t2

1
exp dt = 1 (A.34)
2 2
A.9 A funo gama
A funo gama definida pela seguinte integral:

Z
() = ex x 1 dx 1 (A.35)
0
A funo gama tem a seguinte propriedade recursiva: ( +1) = (). Para demonstrar
esse resultado, iremos usar integrao por partes.
Z
( + 1) = ex x dx
0
Fazendo
u = x du = x 1
dv = ex dx v = ex
Logo,
Z

x ex 0 ex x 1 dx =

( + 1) =
Z 0
( + 1) = 0 + ex x 1 dx =
0
( + 1) = () (A.36)
Aqui usamos o resultado dado em (A.25).
Vamos trabalhar, agora, com = n inteiro.

Z Z
x 11
(1) = e x dx = ex dx = 1
0 0
(2) = 1 (1) = 1 = 1!
(3) = 2 (2) = 2 1 = 2!
(4) = 3 (3) = 3 2 1 = 3!
(5) = 4 (4) = 4 3 2 1 = 4!
Em geral, se n inteiro,
(n) = (n 1)! (A.37)

Exemplo A.12 1
2
Soluo:
P
or definio,
Z Z x
x 1/21 e
dx
1
= e x dx =
2 0 0 x
Usando a seguinte transformao de varivel:
t2
x=
2
obtemos
dx = tdt
x = 0t=0
x t
Logo,
Z t 2 /2
Z t 2 /2
r
1 e
q tdt = 2
= e dt = 2
2 0 t2 0 2
2
ou seja:

1
= (A.38)
2
Apndice B
Tabelas da Distribuio Normal
Tabela 1: Tabela da normal padro p = P(0 Z z)

Tabela 2: Tabela da distribuio acumulada da normal padro (z) = P(Z z), z 0
217
218 APNDICE B. TABELAS DA DISTRIBUIO NORMAL
Tabela 1: Z N(0; 1)
Valores de p
p = P(0 Z z)
a
Casa inteira 2 decimal
a
e 1 Decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4,0 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Para abscissas maiores que 4,09, use a probabilidade 0,5000.

219
Tabela 2: Z N(0; 1)
Valores de p
p = (z) = P(Z z)
a
Casa inteira 2 decimal
a
e 1 Decimal 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4,0 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Para abscissas maiores que 4,09, use a probabilidade 1,0000.

220 APNDICE B. TABELAS DA DISTRIBUIO NORMAL
Bibliografia
Bussab, W. O. e Morettin, P. A. (2002) Estatstica Bsica. Editora Saraiva, 5a. ed.
Casella, G. e Berger, R. L. (1990) Statistical Inference. Duxbury Press, 1a. ed.
DeGroot, M. H. e Schervish, M. J. (2012) Probability and Statistics. Pearson, 4a. ed.
James, B. R. (2004) Probabilidade: Um curso em nvel intermedirio. IMPA, 3a. ed.
Magalhes, M. N. (2011) Probabilidade e Variveis Aleatrias. Edusp.
Meyer, P. L. (2011) Probabilidade: Aplicaes a Estatstica. Editora LTC.
Rohatgi, V. K. (2008) An Introduction To Probability And Statistics. Wiley, 2a. ed.
Swokowski, E. W. (1979) Calculus with Analytic Geometry. Prindle, Weber & Schmidt, 2a. ed.
221
ndice Remissivo
-lgebra, 2 propriedades, 34, 37, 95

Eventos, 1
Axiomas de Kolmogorov, 3 aleatrios, 3
mutuamente exclusivos, 3
Binmio de Newton, 58
Experimento
Coeficiente aleatrio, 1
de assimetria, 179 Binomial, 57
de curtose, 179 de Bernoulli, 50
Coeficiente binomial, 57
Frmula de Euler, 66
Conjunto das partes, 2
Falta de Memria
Desigualdade exponencial, 112
de Chebyshev geomtrica, 74
bsica 189 Funo
clssica 190 Beta, 120
de Markov, 189 de distribuio, 7
Desvio-padro, 40 propriedades, 10
propriedades, 41 de probabilidade, 19
Distribuio propriedades, 21
Beta, 121 de Varivel Aleatria
Binomial, 57 contnua, 129
Binomial Negativa, 75 de varivel aleatria
de Bernoulli, 51 discreta, 28
de Erlang, 120 densidade, 89
de Pareto, 125 propriedades, 89
de Poisson, 81 Gama, 113
de Weibull, 123 geradora de momentos, 180
Exponencial, 109 Momento
Gama, 114 central, 177
Geomtrica, 70 de uma varivel aleatria, 177
Hipergeomtrica, 64
Normal, 156 Probabilidade
Normal Padro, 145 definio, 3
Qui-quadrado, 120 Espao de, 3
Uniforme, 106 propriedades, 3
Uniforme Discreta, 48
Varivel aleatria, 5
Ensaio de Bernoulli, 50 contnua, 14, 89
Espao amostral, 1 degenerada, 32, 41
Espao paramtrico, 48 discreta, 13
Esperana indicadora, 7
de funo de varivel contnua, 94 Varincia
de funo de varivel discreta, 35 de varivel contnua, 95
de varivel contnua, 94 de varivel discreta, 39
de varivel discreta, 31 propriedades, 41
222

GET00143 Apostila

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

GET00143 Apostila

Încărcat de

Drepturi de autor:

Formate disponibile

Universidade Federal Fluminense

Instituto de Matemtica e Estatstica

GET00143 TEORIA DAS PROBABILIDADES II

Ana Maria Lima de Farias

1.1 Uma Breve Reviso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3 Funo de Distribuio Acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.4 Classificao de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Variveis Aleatrias Discretas 19

2.1 Funo de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2 Funes de Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . . 28

2.3 Esperana de Variveis Aleatrias Discretas . . . . . . . . . . . . . . . . . . . . . . 31

2.4 Varincia e Desvio-Padro de Varivel Aleatria . . . . . . . . . . . . . . . . . . . 38

3 Algumas Distribuies Discretas 47

3.2 Distribuio Uniforme Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.3 Distribuio de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.4 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.5 Distribuio Hipergeomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

3.6 Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

3.7 Distribuio Binomial Negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

3.8 Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

3.9 Mais Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

4 Variveis Aleatrias Contnuas 89

4.1 Funo Densidade de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

4.2 Esperana de Variveis Aleatrias Contnuas . . . . . . . . . . . . . . . . . . . . . 93

4.4 Densidade Simtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

5 Algumas Distribuies Contnuas 105

5.1 Distribuio Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

5.2 Distribuio Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

5.3 Distribuio Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

5.4 Distribuio Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

5.5 Distribuio de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

5.6 Distribuio de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

6 Funes de Variveis Aleatrias Contnuas 129

6.1 Mtodo da Funo de Distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

6.1.1 Caso em que g inversvel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

6.1.2 Caso em que g no inversvel . . . . . . . . . . . . . . . . . . . . . . . . . 133

6.2 Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

6.2.1 Generalizao do Mtodo do Jacobiano . . . . . . . . . . . . . . . . . . . . 142

7 A Distribuio Normal 145

7.1 Distribuio Normal Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

7.1.1 Funo Densidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

7.1.2 Esperana e Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

7.1.3 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

7.2 Clculo de Probabilidades da Normal Padro . . . . . . . . . . . . . . . . . . . . . 147

7.2.1 Tabela 1: P(0 Z z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

7.2.2 Tabela 2: (z) = P(Z z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

7.3 Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156

7.3.1 Caractersticas da Funo Densidade Normal . . . . . . . . . . . . . . . . 156

7.3.2 Parmetros Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . 157

7.3.3 Funo de Distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

7.4 Clculo de Probabilidades da Normal . . . . . . . . . . . . . . . . . . . . . . . . . . 159

7.5 Encontrando a Abscissa da Normal para uma Probabilidade Especfica . . . . . 162

7.6 Exemplos de aplicao da distribuio Normal . . . . . . . . . . . . . . . . . . . . 166

7.7 A distribuio log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

7.7.1 Definio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

7.7.2 Esperana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

7.7.3 Varincia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

8 Momentos e sua Funo Geradora 177

8.1 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

8.2 Alguns Coeficientes e suas Interpretaes . . . . . . . . . . . . . . . . . . . . . . . 178

8.3 Funo Geradora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180