Vous êtes sur la page 1sur 39

Captulo 4

Distribuies de Probabilidade

Uma distribuio de probabilidade atribui uma probabilidade a cada valor da


varivel aleatria ou a cada intervalo de valores. Quando tratamos com variveis que podem
assumir apenas valores discretos, a cada possvel valor da varivel podemos associar a no
mximo um valor de probabilidade. Temos, assim, a noo de funo de um conjunto para
outro conjunto, de modo que o primeiro conjunto contm os valores possveis da varivel
aleatria e o segundo conjunto contm as probabilidades. Para variveis que assumem valores
contnuos em , temos que as variveis so definidas num dado intervalo de nmeros reais e
as probabilidades pertencem ao intervalo [0,1] . No caso discreto, para um certo valor xi do
primeiro conjunto associamos diretamente a probabilidade de sua ocorrncia, que designada
por P( xi ) . Por outro lado, para o caso contnuo, no tem sentido o clculo da probabilidade
para um valor especificado de x . Trabalhamos ento com a noo de funo densidade de
probabilidade, que no caso unidimensional uma funo real, isto , f : , que permite
calcular as probabilidades associadas uma varivel aleatria contnua.
A exemplo dos modelos matemticos determinsticos, nos quais as funes
desempenham importante papel (por exemplo, a linear, a quadrtica, a exponencial, a
trigonomtrica, etc.), verificamos tambm que, na obteno de modelos estocsticos para
problemas do mundo real, algumas distribuies de probabilidade surgem mais
freqentemente que outras. Neste captulo estudaremos as distribuies de probabilidade de
variveis discretas, a binomial, a hipergeomtrica, a uniforme e a distribuio de Poisson, e
tambm as distribuies de probabilidade de variveis contnuas, a retangular ou uniforme
continua, a normal, a exponencial e a distribuio de Erlang.
Antes de iniciarmos o estudo das distribuies de probabilidade, faremos
uma breve reviso do conceito de probabilidade. Aps esta reviso trataremos dos modelos
empricos e dos modelos tericos no estudo de probabilidades.

4.1 Probabilidade
Um sonho humano sempre foi prever o futuro. No entanto, como este
intento no pode ser plenamente satisfeito, a existncia de uma medida que permita verificar
as chances de ocorrerem determinados acontecimentos ou eventos um passo importante.
medida da incerteza associada a um dado evento damos o nome de probabilidade. A primeira
tarefa a ser empreendida trata-se de corretamente identificar todos os eventos ou
acontecimentos que de fato sejam possveis em relao situao que examinamos. Estamos
particularmente interessados em experincias cujos resultados so imprevisveis e
mutuamente exclusivos. Isto significa que, em cada repetio dessa experincia impossvel
prever, com absoluta certeza, qual o resultado que ser obtido e, alm disso, a ocorrncia de
um resultado exclui a ocorrncia de qualquer um dos demais, o que quer dizer que, s um dos
eventos pode acontecer de cada vez. Toda experincia com essas caractersticas chamada de
experimento aleatrio, e seus possveis resultados so chamados de eventos. Por ltimo, restanos verificar quais so os que possuem maiores ou menores chances de ocorrer.
O conceito de probabilidade est diretamente associado ao conceito de
conjunto e, tambm, idia de contagem dos elementos desse conjunto e dos elementos dos
seus subconjuntos.
Para cada experimento aleatrio , definiremos o espao amostral S como
o conjunto de todos os resultados possveis de . Dado um experimento aleatrio, os mtodos
empricos de clculo de probabilidade caracterizam-se pela contagem ou enumerao
exaustiva dos elementos do espao amostral S com a finalidade de obter a freqncia relativa
de certo evento A , sendo que A um subconjunto de S , ou seja, A S . O evento A
relativo a um particular espao amostral S associado a um experimento simplesmente
um conjunto de resultados possveis. Aplicamos ento a definio clssica de probabilidade.
Definio 4.1 (Probabilidade) Seja um experimento aleatrio cujo espao amostral
caracterizado pelo conjunto S , e seja um evento aleatrio caracterizado pelo conjunto A , a
probabilidade de ocorrncia do evento A a razo da cardinalidade de A e a cardinalidade
de S , conforme estabelece a expresso
P( A) =

| A|
,
|S|

108

(4.1)

onde, A e S so a quantidade de elementos do conjunto A e a quantidade de elementos do


conjunto S , respectivamente.
Apresentaremos a seguir um exemplo de aplicao da Definio 4.1.
Exemplo 4.1: A cesta ilustrada na Figura 4.1 contm seis bolas, sendo duas pretas e quatro
brancas.

Figura 4.1: Cesta com seis bolas.


Realizaremos

experimento

aleatrio

que

consistir

em

retirar

simultaneamente duas bolas, anotar suas cores e em seguida devolv-las cesta. Qual a
probabilidade de neste experimento retirar uma bola preta e a outra branca?
Vamos supor inicialmente como se as bolas brancas fossem identificadas
por nmeros de 1 a 4 e as pretas por nmeros de 1 a 2. Com o auxlio desse artifcio
descreveremos o espao amostral S associado a este experimento aleatrio, representando as
bolas brancas por b1, b2 ,

, b4 e, as pretas, por p1 e p2 ,

S = {{b1, b2},{b1, b3},{b1, b4},{b2 , b3},{b2 , b4},{b3 , b4},{b1, p1},{b1, p2},


{b2 , p1},{b2 , p2 },{b3 , p1},{b3 , p2},{b4 , p1},{b4 , p2 },{ p1, p2 }}.
O nmero de elementos do espao amostral, ou seja, | S | , a combinao
simples de seis bolas tomadas duas a duas, isto , C62 = 15 .
O evento uma bola preta e a outra branca um subconjunto de S
representado pelo conjunto A , mostrado a seguir:
A = {{b1, p1},{b1, p2 },{b2 , p1},{b2 , p2 },{b3 , p1},{b3 , p2},{b4 , p1},{b4 , p2 }}.
Aplicamos a Definio 4.1 e obtemos a soluo,
109

P( A) =

| A| 8
= .
| S | 15

A frmula geral para o clculo da probabilidade de exatamente x eventos


na amostra
n x
CDx C N
D
n
CN

onde, N o nmero de itens da coleo de objetos, D o nmero desses objetos que gozam
de certa propriedade e n o nmero de elementos da amostra.
O problema solucionado anteriormente um exemplo do modelo estocstico
hipergeomtrico.
A principal concluso que extramos desse exemplo que a probabilidade
depende diretamente do conjunto que define o espao amostral e do subconjunto que descreve
o evento que caracteriza objetivamente o processo que estamos estudando.
A seguir resolveremos um exemplo parecido com o Exemplo 4.1, de modo
que as alteraes do enunciado levaro a um problema completamente diferente.
Exemplo 4.2: Considere a cesta ilustrada na Figura 4.1. Realizaremos o experimento aleatrio
que consistir em retirar uma bola anotar sua cor e devolv-la cesta e, em seguida, pegar
uma segunda bola e proceder do mesmo modo. Qual a probabilidade de retirar uma bola
preta e a outra branca?
O nmero de elementos do espao amostral, S , 62 = 36 . Se fossemos
enumerar os elementos do espao amostral, bastaria obter o produto cartesiano do conjunto
{b1, b2 , b3 , b4 , p1, p2 } com ele prprio. Neste caso, percebemos que a ordem de aparecimento
do elemento, ou seja, qual cor ocorre em primeiro lugar est em discusso, isto porque um
elemento retirado e depois retirado outro, diferentemente do que foi feito no Exemplo 4.1.
O evento uma bola preta e a outra branca um subconjunto de S
representado por A , mostrado a seguir:

A = {(b1, p1), (b1, p2 ), (b2 , p1 ), (b2 , p2 ), (b3 , p1), (b3 , p2 ), (b4 , p1 ), (b4 , p2 ),
( p1, b1 ), ( p2 , b1 ), ( p1, b2 ), ( p2 , b2 ), ( p1, b3 ), ( p2 , b3 ), ( p1, b4 ), ( p2 , b4 )}.

110

Note que cada elemento do conjunto um par ordenado, enquanto que, no


exemplo anterior, cada elemento era um conjunto de dois elementos.
Aplicamos a Definio 4.1 e obtemos a soluo,

P( A) =

| A | 16
=
P( A) = 4 9 .
| S | 36

Uma forma alternativa para solucionar o exemplo a seguinte. As


probabilidades de retirar uma bola branca e de retirar uma preta, so, respectivamente, 2 3 e
1 . Se desenvolvermos o binmio ( 2 + 1 ) 2 obtemos
3
3 3

( 2 + 1 )2 = ( 2 )2 ( 1 )0 + 2( 2 )1( 1 )1 + ( 2 )0 ( 1 ) 2 4 + 4 + 1 .
3

segunda

parcela

do

desenvolvimento

binomial

corresponde

probabilidade de retirar uma bola branca e uma preta (vide os expoentes). O expoente do
binmio o nmero de tentativas no evento. A generalizao desse procedimento nos levaria
a uma frmula geral para o clculo de probabilidade com reposio. Este exemplo
corresponde ao modelo estocstico binomial.
A probabilidade tal como estudada nesta seo no permite sua aplicao
em problemas complexos, uma vez que a contagem dos elementos do espao amostral nem
sempre trivial e a representao do fenmeno aleatrio sob a forma de conjuntos no
praticvel em muitas situaes.
Uma forma de trabalhar com probabilidade que permite o uso do
computador a sua interpretao como freqncia relativa no contexto de um experimento
aleatrio.
4.1.1 Probabilidade e freqncia relativa
Considere um experimento aleatrio e um evento a ele associado, designado
por A . So realizadas, inicialmente, k1 repeties do experimento; depois k1 + k2 repeties;
em seguida, k1 + k2 + k3 , continuando dessa maneira at realizarmos k1 + k2 + k3 +

111

+ kr

repeties do experimento. Seja n o nmero de repeties do experimento, isto ,

n = k1 + k2 + k3 +

+ kr , e n( A) o nmero de vezes que o evento A ocorre, ento a

freqncia relativa de A , f ( A) ,
f ( A) =

n( A)
.
n

(4.2)

A freqncia relativa f ( A) goza da seguinte propriedade: medida que o


nmero de repeties do experimento aleatrio for aumentado, a freqncia relativa baseada
neste nmero crescente de repeties tender a se estabilizar prxima de algum valor
numrico definido (MEYER, 1980). Esta propriedade descrita formalmente no Teorema 4.1,
que atribudo a Bernoulli, 1713, e conhecido como Primeira Lei dos Grandes Nmeros.
Teorema 4.1: Quando o nmero de realizaes de um experimento aleatrio cresce muito, a
freqncia relativa do sucesso associado vai se aproximando cada vez mais de certo valor que
denominamos de probabilidade.
Este teorema nos fornece uma interpretao da probabilidade que
adequada a clculos com o computador. Esta noo explorada exaustivamente no captulo
deste livro que trata de Simulaes.
Os fenmenos aleatrios podem ser descritos atravs de mtodos empricos
ou por meio de modelos tericos de probabilidade. Utilizando uma distribuio emprica de
probabilidade seja no processo de simulao seja na soluo de problemas de tomada de
deciso, estaremos limitando as possveis ocorrncias futuras s condies vlidas no passado.
Alguns acontecimentos podem no ter tido oportunidade de ocorrncia, o que impede sua
reproduo no futuro. Usando uma distribuio terica de probabilidade nas condies
descritas, estaremos adicionando informaes ao comportamento da varivel, o que torna o
modelo mais apto a prever o futuro. Desta forma, sempre que houver condies favorveis,
devemos optar pelo uso do modelo terico ajustado ao invs do modelo emprico.
A seguir trataremos os mtodos empricos para depois abordarmos os
modelos tericos.
4.2 Distribuio de probabilidade e varivel aleatria

112

Com o objetivo de mostrar a relao entre a varivel aleatria X e a


probabilidade P( X ) , iniciaremos o estudo de distribuies de probabilidade analisando
alguns casos empricos.
Exemplo 4.3: Consideremos o lanamento simultneo de duas moedas, cujo espao amostral
S = {(Ca, Ca ), (Ca, Co), (Co, Ca ), (Co, Co)} . A varivel aleatria X representa o nmero de

caras que aparecem. Na Tabela 4.1 vemos a associao existente entre o evento cara, a
varivel X e a probabilidade P( X ).

Tabela 4.1: Relaes entre evento, varivel aleatria e probabilidade.


Espao amostral
(Ca, Ca )

Nmero de caras ( X )
2

(Ca, Co) , (Co, Ca )

(Co, Co)

P( X )
1
1

4+ 4 =
1
4

Ao definirmos a distribuio de probabilidade estabelecemos uma


correspondncia entre os valores da varivel aleatria e os valores da probabilidade. A funo
f ( xi ) = P ( X = xi ) determina a distribuio de probabilidade da varivel aleatria X .
A Figura 4.2 ilustra a distribuio de probabilidade da Tabela 4.1.
P( X )
1
1

2
4

Figura 4.2: Distribuio de probabilidade do evento nmero de caras.


O Exemplo 4.4 que ser apresentado a seguir mostra a estreita relao
existente entre distribuio de freqncia e distribuio de probabilidade.
Exemplo 4.4: Aps 30 dias de observaes o nmero de acidentes dirios num grande
estacionamento de veculos foi catalogado. A Tabela 4.2 mostra os dados obtidos.
113

Tabela 4.2: Distribuio de freqncia de acidentes num estacionamento.


Nmero de acidentes
0
1
2
3

Freqncia
22
5
2
1
i fi = 30

As probabilidades so obtidas dividindo as freqncias pelo total de


observaes. A Tabela 4.3 mostra a distribuio de probabilidade para este problema.
Tabela 4.3: Distribuio de probabilidade de acidentes num estacionamento.
Nmero de acidentes
0
1
2
3

Probabilidade
0,73
0,17
0,07
0,03
P( X ) = 1,00

Devemos ressaltar que a associao entre freqncia relativa e probabilidade


s possvel se o nmero de observaes for suficientemente grande.
Exemplo 4.5: No lanamento de dois dados so observados os nmeros de pontos das faces
que saem voltadas para cima. Definimos uma varivel aleatria X que igual soma dos
pontos das faces de cima de ambos os dados. Os resultados possveis so catalogados e esto
apresentados na Tabela 4.4.
Tabela 4.4: Distribuio de probabilidade de X .
X
P( X )

2
1

36

3
2

36

4
3

36

5
4

36

6
5

7
6

36

36

8
5

36

9
4

36

10

11

12

36

36

36

A Figura 4.3 representa graficamente P( X ) X , sob a forma de histograma.

114

P( X )
5

36
1

1
12
1
18
1

36

10

11

12

Figura 4.3: Distribuio de probabilidade do evento soma dos pontos das faces de dois
dados.
A seguir so apresentadas duas definies fundamentais no estudo de
processos estocsticos.
4.2.1 Esperana matemtica e varincia de uma varivel aleatria discreta
Definimos esperana matemtica de uma varivel aleatria discreta X
como a soma de todos os produtos possveis dos valores da varivel aleatria pelas
respectivas probabilidades. Atravs da expresso (4.3) definimos a esperana matemtica
E( X ) .

E( X ) =

xi P( xi ),

i =1

(4.3)

onde, E ( X ) a mdia ponderada dos possveis valores de X , cada um ponderado por sua
probabilidade.
No contexto do estudo de probabilidades, esperana (ou valor esperado)
possui o mesmo significado de mdia, por isso, muitas vezes designado por x quando se
trata de amostra e para uma populao.
Definimos varincia de uma varivel aleatria como a esperana matemtica
do quadrado da diferena entre a varivel aleatria e sua mdia, ou seja,

115

(4.4)

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

A expresso (4.4) advm da definio clssica de varincia, que a


seguinte:
N

V (X ) =

( xi x ) 2

i =1

N 1

onde, N o nmero de elementos da amostra e N 1 o nmero de graus de liberdade.


Aps desenvolvimentos, a definio de varincia pode ser expressa
conforme mostrada em (4.5).
V ( X ) = E ( X 2 ) [ E ( X )]2 ,
onde, E ( X 2 ) =

(4.5)

xi2 P ( xi ) e [ E ( X )]2 o quadrado da esperana matemtica E ( X ) .


Ressaltamos que a varincia igual ao desvio padro ao quadrado, isto ,

V ( X ) = s 2 , onde s o desvio padro amostral.

Agora estamos preparados para estudar os modelos tericos de


probabilidade. Iniciaremos o estudo com distribuies de variveis aleatrias discretas.
4.3 Distribuio hipergeomtrica
A distribuio hipergeomtrica a distribuio de probabilidade discreta
mais elementar e aplicvel aos casos de amostragens sem reposio. Consideremos uma
coleo de N itens, sendo que D desses itens tenham certa propriedade e o restante, N D ,
no tenha esta propriedade. Se a amostra de n itens for retirada sem reposio, ento a
probabilidade de exatamente x eventos na amostra obtida pela relao (4.6):

P( X = x) =

n x x
CN
DCD
n
CN

(4.6)

O valor esperado de uma varivel hipergeomtrica dado pela expresso


(4.7).
116

E( X ) = n

D
.
N

(4.7)

A varincia de uma varivel hipergeomtrica dada pela expresso (4.8).

V (X ) = n

D
D
1
N
N

N n
.
N 1

(4.8)

Apresentamos a seguir um exemplo para ilustrar a aplicao da distribuio


de probabilidade hipergeomtrica.
Exemplo 4.6: Em um lote de doze peas do mesmo modelo, quatro so defeituosas. Sendo
retiradas aleatoriamente duas peas, qual a probabilidade de ambas serem defeituosas?
A primeira pergunta que surge se o experimento feito sem reposio ou
com reposio. Vamos resolver o problema considerando sem reposio, que o caso da
distribuio hipergeomtrica. Primeiramente, analisemos a retirada de duas peas por meio de
um processo emprico.
Para utilizarmos o mtodo emprico direto, estabelecemos as seguintes
definies:
evento A ={ primeira pea defeituosa };
evento B = { segunda pea defeituosa }.
A probabilidade de retirarmos uma pea defeituosa P( A) =

4
.
12

Supondo que os eventos A e B sejam dependentes, ou seja, a pea retirada


no evento A afeta a probabilidade de retirada da segunda pea, a probabilidade de retirarmos
simultaneamente duas peas defeituosas o produto da probabilidade do evento A

e a

probabilidade do evento B tendo em vista que A ocorreu.

P( A B) = P( A) P( B A) =

4 3
1
=
.
12 11 11

Agora, resolveremos o mesmo problema (Exemplo 4.6) aplicando a


definio de distribuio hipergeomtrica.

117

Supondo que no haja reposio no experimento teremos a distribuio


hipergeomtrica. O experimento aleatrio em que so retiradas peas defeituosas de um lote
de peas um exemplo tpico de aplicao da distribuio hipergeomtrica.
Pela definio dada em (4.6), a propriedade que referida pode ser o
defeito das peas. Portanto, temos D = 4 peas com esta propriedade; N = 12 peas no lote.
Desejamos calcular a probabilidade de retirar duas peas com defeito, sem
reposio, ento: a amostra retirada tem n = 2 itens; como queremos duas defeituosas implica
que o nmero de eventos x = 2 ; portanto, a probabilidade
C 2 2 C42 C80 C42 1 6 1
P ( x = 2) = 8
=
=
= .
2
2
66 11
C12
C12

Um mtodo de verificao dos resultados obtidos passa pela enumerao


dos elementos do espao amostral, o qual denominamos de mtodo emprico enumerativo,
apresentado a seguir.
Suponhamos

que

as

peas

sejam

representadas

por

letras,

a, b, c, d , e, f , g , h, i, j , k , l . Imaginemos que as peas a, b, c, d sejam as quatro defeituosas

do lote. Formando subconjuntos de duas peas, teremos o espao amostral S . O total de


2
elementos de S C12
=

12!
= 66 elementos, uma vez que a ordem que as peas
2!(12 2)!

aparecem no grupo no importante. O evento duas peas defeituosas representado pelo


subconjunto A = {{a, b}, {a, c}, {a, d }, {b, c},{b, d }, {c, d }} . Aplicamos a Definio 4.1 e
obtemos P( A) =

6
1
= . Esta a probabilidade de retirar exatamente duas peas sem
66 11

reposio (retirar uma pea, no rep-la no lote e depois retirar uma segunda pea).
4.4 Distribuio binomial
Antes de introduzir a distribuio binomial, primeiramente vamos relembrar
o desenvolvimento do binmio (q + p ) elevado ao expoente inteiro n . Segundo o Teorema
Binomial, temos o somatrio:
( p + q)n =

Cnk p k q n k .

k =0

118

O nmero Cnk =

n
k

conhecido como coeficiente binomial e definido

pela relao (4.9):


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

(4.9)

Definimos a varivel aleatria X como o nmero de sucessos nas n


tentativas. Logo, X pode assumir os valores 0, 1, 2, 3,

, n . Para X = x , temos x sucessos

e n x fracassos, ento a distribuio binomial expressa pela relao (4.10):


(4.10)

P( X = x) = Cnx p x q n x ,

onde:

P( X = x) a probabilidade de exatamente x eventos em n tentativas independentes;


p a probabilidade do evento numa tentativa;

q a probabilidade de que o evento no ocorra na mesma tentativa, q + p = 1 .


Ao aplicarmos as definies (4.3) e (4.4), conclumos que o valor esperado
da distribuio binomial np e sua varincia npq .
As condies para aplicao da distribuio binomial requerem que os
eventos sejam independentes e complementares, e que devemos conhecer a probabilidade do
sucesso de uma tentativa, p , e a probabilidade do insucesso, q , alm do que as
probabilidades p e q devem manter-se constantes no decorrer do experimento (isto , com
reposio).
A distribuio binomial de probabilidade adequada aos experimentos que
apresentam apenas dois resultados: sucesso ou fracasso.

A condio que exige que as

probabilidades p e q sejam constantes satisfeita tirando-se amostras e repondo no universo


cada unidade amostral retirada.
Para ilustrar a distribuio binomial consideremos o Exemplo 4.7, que o
mesmo Exemplo 4.6 com a diferena de que h reposio ao retirar as duas peas.
Exemplo 4.7: Em um lote de doze peas do mesmo modelo, quatro so defeituosas. So
retiradas aleatoriamente duas peas, uma aps a outra e com reposio. Qual a probabilidade
de ambas as peas serem defeituosas?
119

Consideremos que o sucesso consiste em retirar uma pea defeituosa do lote


de doze, em que existem quatro defeituosas. Ento, a probabilidade do sucesso p =

4 1
=
12 3

para uma tentativa. No retirar uma pea defeituosa corresponde probabilidade


complementar, q = 1 p = 1

1 2
= ou q = 812 .
3 3

Identificamos os parmetros n = 2 tentativas, x = 2 eventos. So duas


tentativas porque retiramos uma pea e depois a outra. Aplicamos a expresso (4.10) para o
clculo da probabilidade de ocorrer exatamente duas peas defeituosas,

P( x = 2) = C22

1
3

2
3

1
.
9

Eis mais um exemplo de aplicao do modelo binomial.


Exemplo 4.8: Considere um processo de fabricao onde a probabilidade de ocorrncia de um
item defeituoso de 0,2. Se tirarmos uma amostra de vinte itens, qual a probabilidade de
ocorrerem menos de trs itens defeituosos na amostra?
A probabilidade de ocorrncia de menos de trs itens significa o seguinte:
nenhum item defeituoso, um item ou dois itens defeituosos. Portanto, aplicaremos a
distribuio binomial conforme a seguir:

P( x < 3) = P( x = 0) + P( x = 1) + P( x = 2),
0
2
P( x < 3) = C20
(0,2) 0 (0,8) 20 + C120 (0,2)1 (0,8)19 + C20
(0,2) 2 (0,8)18 ,
P( x < 3) = 0,206.

A soma de termos de probabilidades exibida anteriormente denominada de


probabilidade conjunta.
4.5 Distribuio uniforme discreta
Para um conjunto com n + 1 elementos, a distribuio uniforme de
probabilidade dada pela relao (4.11):

120

P( X = x) =

1
.
n +1

(4.11)

A relao (4.11) vlida para os seguintes valores de X ,


X = x = a, a + 1, a + 2,

, a + (n 1), a + n .

A mdia e a varincia so, respectivamente,

E( X ) = a +

V (X ) =

n
,
2

n(n + 2)
.
12

(4.12)

(4.13)

O Exemplo 4.9 mostra como so feitos os clculos de probabilidades com a


distribuio uniforme discreta.
Exemplo 4.9: Uma varivel aleatria discreta pode ter apenas os valores 3, 4, 5, 6 e 7 .
Supondo que distribuio de probabilidade dessa varivel uniforme, qual a probabilidade
de que a varivel aleatria tenha o valor 4? Qual a probabilidade de que a varivel tenha
valores menores ou iguais a 6? Determine tambm a mdia e a varincia.
Para este exemplo, com o auxlio da relao (4.11) determinamos o valor de
n,
x = a, a + 1, a + 2,

, a + (n 1), a + n,

x = 3, 3 + 1, 3 + 2, 3 + (n 1), 3 + n,
x = 3, 4, 5, 6, 7

n = 4.

Dado que a distribuio uniforme, a probabilidade de que uma varivel


aleatria tenha um valor particular dentre os valores possveis para X a mesma para
qualquer outro valor. Neste exemplo, a probabilidade de que a varivel tenha valor 4 ,

P( X = 4) =

1
1
1
=
= = 0,20 .
n +1 4 +1 5
121

A probabilidade de que a varivel aleatria x tenha valores menores ou


iguais a 6 a probabilidade de termos os nmeros 3, 4, 5 ou 6,
P( X 6) = 0,20 + 0,20 + 0,20 + 0,20 = 0,80 .

A mdia
x =a+

n
4
= 3 + = 5.
2
2

V (X ) =

4(4 + 2)
= 2.
12

A varincia

4.6 Distribuio de Poisson


Em muitos casos, conhecemos o nmero de sucessos, porm, se torna difcil
e, s vezes, sem sentido, determinar o nmero de fracassos ou o nmero total de tentativas.
Por exemplo, considere automveis que passam num cruzamento.

Podemos, num dado

intervalo de tempo, anotar quantos carros com uma determinada caracterstica passaram pelo
cruzamento especfico, porm, o nmero de carros que deixaram de passar pela esquina no
poder ser determinado.
A distribuio de Poisson usada nas situaes probabilsticas onde a rea
de oportunidade de ocorrncia de um evento grande, mas a oportunidade de ocorrncia em
um intervalo particular (ou em um ponto particular) muito pequena. Os experimentos de
Poisson fornecem valores numricos de uma varivel aleatria X que representam os
nmeros de sucessos que ocorrem durante um dado intervalo de tempo ou em uma regio
especificada. Se for tempo, o intervalo de tempo pode ser de qualquer ordem de grandeza,
como um minuto, um dia, uma semana, um ms ou mesmo um ano. Se for uma medida
geomtrica, a regio especificada pode ser um segmento de reta, um volume de um slido, um
pedao de material, etc.
Assim, um experimento de Poisson pode gerar observaes para a varivel
aleatria X que representa o nmero de chamadas telefnicas por hora recebidas num
122

escritrio, ou o nmero de horas que uma escola fica sem luz eltrica. Em outras palavras, a
distribuio de Poisson descreve o nmero de vezes que ocorre um evento, que certamente
ocorrer muitas vezes, mas que pouco provvel que ocorra num particular instante de
observao. Essa caracterstica tpica de chegadas em uma fila de espera.
A probabilidade de x ocorrncias em um processo de Poisson com
parmetro definida pela relao (4.14).

P( X = x) =

x!

e , x Z + .

(4.14)

O parmetro permite empregar o modelo de Poisson seja para tempo,


para distncia, para rea, etc. Quando trabalhamos com tempo, o parmetro definido
como = t , onde uma taxa na unidade de tempo.
Os histogramas mostrados na Figura 4.4 ilustram distribuies de
probabilidade de Poisson para quatro diferentes valores de . A abscissa a varivel x .

Figura 4.4: Histogramas da distribuio de Poisson para quatro valores do parmetro .


Na distribuio de Poisson, a mdia e a varincia so, respectivamente,
123

E( X ) = ,

(4.15)

V (X ) = .

(4.16)

Iremos, a seguir, interpretar fisicamente os parmetros da distribuio de


Poisson atravs de exemplos.
Exemplo 4.10: Uma fila de atendimento de um pronto socorro recebe em mdia quatro
acidentados por hora. Qual a probabilidade de chegar em uma hora at dois acidentados?

Calcularemos primeiro a taxa . A taxa de chegada = 4

acidentados
,
hora

sendo o tempo de observao t = 1 hora . Vamos calcular as probabilidades dos eventos


x = 0, x = 1, x = 2 , ou seja, ningum chega, chega um e chegam dois acidentados no

intervalo de uma hora:


nenhuma chegada, P( x = 0) =
uma chegada, P( x = 1) =

(4 1)0 41
= 0,018 ,
e
0!

(4 1)1 41
e
= 0,074 ,
1!

duas chegadas, P( x = 2) =

(4 1) 2 41
e
= 0,146 .
2!

A probabilidade de ocorrerem chegadas de at dois acidentados em uma


hora a probabilidade conjunta dos eventos analisados anteriormente,
P( x < 3) = P( x = 0) + P( x = 1) + P( x = 2) ,
P( x < 3) = 0,018 + 0,074 + 0,146 ,
P( x < 3) = 0,238.

Convidamos o leitor a fazer uma comparao deste exemplo com o


Exemplo 4.8. Ser possvel resolver o Exemplo 4.8 utilizando o modelo de Poisson?
Exemplo 4.11: Num processo de fabricao que produz lminas de vidro, em que o nmero
mdio de defeitos por lmina cinco, qual a probabilidade de que uma lmina tenha
exatamente seis defeitos?
124

Dos dados, temos que o nmero mdio de lminas = 5 e o nmero de


eventos x = 6. Portanto, a soluo imediata,

P( x = 6) =

56 5
e = 0,146 .
6!

Exemplo 4.12: Uma companhia de seguros estima que 0,005% de uma populao sofre cada
ano de certo tipo de acidente. Qual a probabilidade que a companhia tenha que pagar a mais
do que trs pessoas dentre as dez mil seguradas contra este tipo de acidente em um dado ano?
A probabilidade de uma pessoa acidentar-se 0,00005. Isto significa que a
taxa anual de ocorrncias deste tipo de acidentes

0,00005 10.000
= 0,5 pessoas ano .
1

O nmero mdio de ocorrncias t = 0,5 e o nmero de eventos x = 3.

P( x > 3, t = 1) = 1 P ( x 3, t = 1) = 1

x =3 0,5 x e 0,5
x =0

x!

P( x > 3, t = 1) = 1 0,998 = 0,002.


Nas sees seguintes analisaremos as distribuies de probabilidade de
variveis contnuas mais importantes do ponto de vista da Pesquisa Operacional. Porm, antes
de iniciarmos o estudo dessas distribuies, estabeleceremos definies que sero de grande
utilidade para a compreenso das mesmas.
4.7 Varivel aleatria contnua e distribuies de probabilidade
Certos experimentos aleatrios requerem que a varivel aleatria, X ,
assuma valores reais. Por exemplo, se estivermos estudando a medida da altura de pessoas em
um conjunto especificado de uma comunidade, a varivel X no mais restrita a valores
discretos. As alturas podem ser 1,89 metros ou 2,01 metros, etc. Outro exemplo quando
125

precisamos medir uma temperatura ou uma tenso eltrica, que certamente no so nmeros
inteiros. Isto nos leva considerao das variveis aleatrias contnuas, que podem ser
definidas em todo conjunto real, ou em intervalos especificados do mesmo conjunto.
Para tratarmos das distribuies continuas, considere as seguintes
definies.
Definio 4.2: (Funo densidade de probabilidade, fdp) Seja o intervalo contnuo I = (a, b) ,
sendo a e b nmeros reais, a < b . A varivel aleatria X que tome os valores reais x , tais
que x I , tem uma distribuio se sua funo densidade de probabilidade, f (x) ,
f : , for tal que

a) f ( x) 0 ,
b)

f ( x)dx = 1 ,

c) P( x1 X x2 ) = xx2 f ( x) dx , probabilidade de que X esteja entre os


1
valores x1 e x2 ,
d) F ( x) = f ( x)dx , funo de probabilidade acumulada.
Definio 4.3: (Esperana matemtica de uma varivel aleatria contnua) Seja X uma
varivel aleatria contnua com funo densidade de probabilidade, f ( x) , o valor esperado de
X

E ( X ) = ab xf ( x)dx .

(417)

Definio 4.4: (Varincia de uma varivel aleatria contnua) Seja X uma varivel aleatria
contnua com funo densidade de probabilidade, f ( x) , a varincia de X

V (X ) =

b
a

x 2 f ( x)dx [ E ( X )]2 .

Compare a expresso (4.8) com a expresso (4.5).


126

(4.18)

Agora estamos prontos para o estudo de algumas distribuies de variveis


aleatrias continuas.
4.7.1 Distribuio normal
Uma das distribuies mais importantes a distribuio normal. Uma das
razes dessa importncia que a distribuio normal, comumente, representa com boa
aproximao as distribuies de freqncia observadas em diversos fenmenos naturais.
Outra razo que a distribuio normal pode ser relacionada com a maioria das distribuies
de probabilidade existentes por meio do Teorema do Limite Central (vide seo 4.8). Alm
disso, para um nmero grande de tentativas, as normais servem como aproximao de
probabilidades binomiais.
A distribuio normal tambm conhecida como distribuio de Gauss. A
distribuio de Gauss contnua e simtrica em torno da mdia e sua curva estende-se de
menos infinito ( ) a mais infinito ( + ).
Matematicamente, a funo densidade de probabilidade (fdp) da distribuio
normal definida por (4.19):
2

f ( x) =

( x )

1
2
e 2 ,
2

(4.19)

< x < + .

Na equao (4.19), os smbolos possuem os seguintes significados:

mdia da populao;

desvio padro;

nmero irracional cujo valor aproximado 3,1415;

e:

nmero irracional cujo valor aproximado 2,71828.

O parmetro a mdia da distribuio normal. Este valor a mdia


populacional, que junto com a varincia populacional, 2 ,

so valores supostamente

conhecidos. importante fazer neste ponto um paralelo entre e a mdia x , definida


anteriormente. Seja uma populao de tamanho N donde vamos retirar todas as possveis
127

amostras simples de tamanho n dessa populao, e para cada uma vamos calcular a mdia x .
A Figura 4.5 ilustra a relao existente entre e x .

populao
amostra

mdia

mdia x

Figura 4.5: Ilustrao da relao entre e x .


As relaes da mdia, do desvio padro e da varincia para uma amostra e
para uma populao so apresentadas na Tabela 4.5.
Tabela 4.5: Relaes dos parmetros com amostra e populao.
Parmetro

Amostra

Populao finita

Quantidade de elementos

Mdia

Desvio padro

Varincia

s2

A probabilidade de uma varivel aleatria contnua normalmente distribuda


ser igual ou menor que um nmero a a rea sob a curva normal de a a .
Matematicamente, esta probabilidade dada pela relao (4.20):

P( x a) =

f ( x)dx = rea sob a curva normal de at a ,

P( x a) =

(4.20)
a

1
e
2

128

( x )2
2 2

dx .

Do mesmo modo, a probabilidade de uma varivel aleatria normalmente


distribuda ser maior do que um valor dado a ,
P( x > a) = 1 P( x a) .

As curvas normais exibem caractersticas especiais em termos de sua forma


geomtrica, de como se especificam e tambm de como so utilizadas para obteno de
probabilidades. O grfico de uma distribuio normal se assemelha muito a um sino: suave e
unimodal, e simtrico em relao sua mdia. Menos bvio o fato de que a curva se
prolonga indefinidamente em qualquer das direes, a partir da mdia. Aproxima-se cada vez
mais do eixo horizontal medida que aumenta a distncia a contar da mdia, mas nunca chega
a tocar no eixo.
Outra caracterstica importante que uma distribuio normal fica
completamente especificada por dois parmetros: sua mdia e seu desvio padro. Em outras
palavras, existe uma nica distribuio normal para cada combinao de uma mdia e um
desvio padro . Diferentes combinaes de mdia e desvio padro originam curvas normais
distintas.
A probabilidade de uma varivel aleatria distribuda normalmente tomar
um valor entre dois pontos dados igual rea sob a curva normal compreendida entre os
dois pontos.
essencial reconhecer que uma distribuio normal uma distribuio
terica. Para mensuraes fsicas grupadas numa distribuio de freqncia uma
distribuio ideal; nenhum conjunto de valores efetivos adaptar-se- exatamente a ela. Assim
que, por exemplo, os valores reais no variam entre e + . As limitaes do
instrumento que se usa nas medies eliminam efetivamente outros valores potenciais. No
obstante, tais deficincias so amplamente contrabalanadas pela facilidade de utilizao da
distribuio normal na obteno de probabilidades, e pelo fato de que a referida distribuio
ainda constitui uma boa aproximao de dados reais. Assim, quando dizemos que uma
varivel aleatria distribuda normalmente, a afirmao deve ser interpretada como uma
implicao de que a distribuio de freqncia de seus resultados possveis pode ser
satisfatoriamente bem aproximada pela distribuio normal de probabilidades. Logo, a curva

129

normal um modelo. Em simulaes computacionais comum o emprego da distribuio


normal truncada, conforme ser vista no Captulo 7.
Como a integrao indicada na equao (4.20) no pode ser efetuada
diretamente pelos mtodos triviais de Clculo Diferencial e Integral, usamos tabelas para
determinar as reas sob a curva normal. Uma forma de facilitar a obteno das probabilidades
normais utilizar a forma normal padronizada e apresentar os valores em tabelas. As Tabelas
4.6 e 4.7 apresentam valores das reas sob a curva normal padronizada. Nessas tabelas, dados
os valores de x , e , tem-se a proporo da rea total sob a curva que est sob a poro
da curva de a z =

A distribuio normal constitui, na realidade, uma famlia infinitamente


grande de distribuies (isto , uma para cada combinao e ). Conseqentemente, seria
intil procurar elaborar tabelas que atendessem a todas as necessidades. H, entretanto, uma
alternativa bastante simples que contorna o problema: tomando como ponto de referncia a
origem e o desvio padro como medida de afastamento a contar daquele ponto (unidade de
medida), determinamos uma nova escala que comumente conhecida como escala z .
Utilizamos a varivel normal padronizada dada pela relao (4.21):

z=

(4.21)

As reas sob a curva de qualquer distribuio normal podem ser achadas


utilizando-se uma tabela normal padronizada, aps fazer a converso da escala original para a
escala em termos de desvios padres. A tabela d a rea sob a curva (isto , a probabilidade de
um valor cair naquele intervalo) entre e valores escolhidos de

z , isto ,

P( < Z z ) . Temos, ento, que se X uma varivel aleatria com distribuio normal

de mdia e desvio padro , podemos escrever P( < X x) = P( < Z z ) onde


Z uma varivel aleatria tal que z =

. A partir desta transformao, a distribuio

resultante tem mdia igual a zero e desvio padro igual a um. Por isso, denotada por N (0,1) .

130

Tabela 4.6: reas sob a curva normal padronizada de a z , z 0 .


x

0,09

0,08

0,07

0,06

0,05

0,04

0,03

0,02

0,01

0,00

3,5
3,4
3,3
3,2
3,1

0,00017
0,00024
0,00035
0,00050
0,00071

0,00017
0,00025
0,00036
0,00052
0,00074

0,00018
0,00026
0,00038
0,00054
0,00076

0,00019
0,00027
0,00039
0,00056
0,00079

0,00019
0,00028
0,00040
0,00058
0,00082

0,00020
0,00029
0,00042
0,00060
0,00085

0,00021
0,00030
0,00043
0,00062
0,00087

0,00022
0,00031
0,00045
0,00064
0,00090

0,00022
0,00033
0,00047
0,00066
0,00094

0,00023
0,00034
0,00048
0,00069
0,00097

3,0
2,9
2,8
2,7
2,6

0,00100
0,0014
0,0019
0,0026
0,0036

0,00104
0,0014
0,0020
0,0027
0,0037

0,00107
0,0015
0,0021
0,0028
0,0038

0,00111
0,0015
0,0021
0,0029
0,0039

0,00114
0,0016
0,0022
0,0030
0,0040

0,00118
0,0016
0,0023
0,0031
0,0041

0,00122
0,0017
0,0023
0,0032
0,0043

0,00126
0,0017
0,0024
0,0033
0,0044

0,00131
0,0018
0,0025
0,0034
0,0045

0,00135
0,0019
0,0026
0,0035
0,0047

2,5
2,4
2,3
2,2
2,1

0,0048
0,0064
0,0084
0,0110
0,0143

0,0049
0,0066
0,0087
0,0110
0,0146

0,0051
0,0068
0,0089
0,0113
0,0150

0,0052
0,0069
0,0091
0,0116
0,0154

0,0054
0,0071
0,0094
0,0119
0,0158

0,0055
0,0073
0,0096
0,0122
0,0162

0,0057
0,0075
0,0099
0,0125
0,0166

0,0059
0,0078
0,0102
0,0129
0,0170

0,0060
0,0080
0,0104
0,0136
0,0174

0,0062
0,0082
0,0107
0,0139
0,0179

2,0
1,9
1,8
1,7
1,6

0,0183
0,0233
0,0294
0,0367
0,0455

0,0188
0,0239
0,0301
0,0375
0,0465

0,0192
0,0244
0,0307
0,0384
0,0475

0,0197
0,0250
0,0314
0,0392
0,0485

0,0202
0,0256
0,0322
0,0401
0,0495

0,0207
0,0262
0,0329
0,0409
0,0505

0,0212
0,0268
0,0336
0,0418
0,0516

0,0217
0,0274
0,0344
0,0427
0,0526

0,0222
0,0281
0,0351
0,0436
0,0537

0,0228
0,0287
0,0359
0,0446
0,0548

1,5
1,4
1,3
1,2
1,1

0,0559
0,0681
0,0823
0,0985
0,1170

0,0571
0,0694
0,0838
0,1003
0,1190

0,0582
0,0708
0,0853
0,1020
0,1210

0,0594
0,0721
0,0869
0,1038
0,1230

0,0606
0,0735
0,0885
0,1057
0,1251

0,0618
0,0749
0,0901
0,1075
0,1271

0,0630
0,0764
0,0918
0,1093
0,1292

0,0643
0,0778
0,0934
0,1112
0,1314

0,0655
0,0793
0,0951
0,1131
0,1335

0,0668
0,0808
0,0968
0,1151
0,1357

1,0
0,9
0,8
0,7
0,6

0,1379
0,1611
0,1867
0,2148
0,2451

0,1401
0,1635
0,1894
0,2177
0,2483

0,1423
0,1660
0,1922
0,2207
0,2514

0,1446
0,1685
0,1949
0,2236
0,2546

0,1469
0,1711
0,1977
0,2266
0,2578

0,1492
0,1736
0,2005
0,2297
0,2611

0,1515
0,1762
0,2033
0,2327
0,2643

0,1539
0,1788
0,2061
0,2358
0,2676

0,1562
0,1814
0,2090
0,2389
0,2709

0,1587
0,1841
0,2119
0,2420
0,2743

0,5
0,4
0,3
0,2
0,1
0,0

0,2776
0,3121
0,3483
0,3859
0,4247
0,4641

0,2810
0,3156
0,3520
0,3897
0,4286
0,4681

0,2843
0,3192
0,3557
0,3936
0,4325
0,4721

0,2877
0,3228
0,3594
0,3974
0,4364
0,4761

0,2912
0,3264
0,3632
0,4013
0,4404
0,4801

0,2946
0,3300
0,3669
0,4052
0,4443
0,4840

0,2981
0,3336
0,3707
0,4090
0,4483
0,4880

0,3015
0,3372
0,3745
0,4129
0,4522
0,4920

0,3050
0,3409
0,3783
0,4168
0,4562
0,4960

0,3085
0,3446
0,3821
0,4207
0,4602
0,5000

131

Tabela 4.7: reas sob a curva normal padronizada de a z , z 3,5 .


0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

+0,0
+0,1
+0,2
+0,3
+0,4
+0,5

0,5000
0,5398
0,5793
0,6179
0,6554
0,6915

0,5040
0,5438
0,5832
0,6217
0,6591
0,6950

0,5080
0,5478
0,5871
0,6255
0,6628
0,6985

0,5120
0,5517
0,5910
0,6293
0,6664
0,7019

0,5160
0,5557
0,5948
0,6331
0,6700
0,7054

0,5199
0,5596
0,5987
0,6368
0,6736
0,7088

0,5239
0,5636
0,6026
0,6406
0,6772
0,7123

0,5279
0,5675
0,6064
0,6443
0,6808
0,7157

0,5319
0,5714
0,6103
0,6480
0,6844
0,7190

0,5359
0,5753
0,6141
0,6517
0,6879
0,7224

+0,6
+0,7
+0,8
+0,9
+1,0

0,7257
0,7580
0,7881
0,8159
0,8413

0,7291
0,7611
0,7910
0,8186
0,8438

0,7324
0,7642
0,7939
0,8212
0,8461

0,7357
0,7673
0,7967
0,8238
0,8485

0,7389
0,7704
0,7995
0,8264
0,8508

0,7422
0,7734
0,8023
0,8289
0,8531

0,7454
0,7764
0,8051
0,8315
0,8554

0,7486
0,7794
0,8079
0,8340
0,8577

0,7517
0,7823
0,8106
0,8365
0,8599

0,7549
0,7852
0,8133
0,8389
0,8621

+1,1
+1,2
+1,3
+1,4
+1,5

0,8643
0,8849
0,9032
0,9192
0,9332

0,8665
0,8869
0,9049
0,9207
0,9345

0,8686
0,8888
0,9066
0,9222
0,9357

0,8708
0,8907
0,9082
0,9236
0,9370

0,8729
0,8925
0,9099
0,9251
0,9382

0,8749
0,8944
0,9115
0,9265
0,9394

0,8770
0,8962
0,9131
0,9279
0,9406

0,8790
0,8980
0,9147
0,9292
0,9418

0,8810
0,8997
0,9162
0,9306
0,9429

0,8830
0,9015
0,9177
0,9319
0,9441

+1,6
+1,7
+1,8
+1,9
+2,0

0,9452
0,9554
0,9641
0,9713
0,9773

0,9463
0,9564
0,9649
0,9719
0,9778

0,9474
0,9573
0,9656
0,9726
0,9783

0,9484
0,9582
0,9664
0,9732
0,9788

0,9495
0,9591
0,9671
0,9738
0,9793

0,9505
0,9599
0,9678
0,9744
0,9798

0,9515
0,9608
0,9686
0,9750
0,9803

0,9525
0,9616
0,9693
0,9756
0,9808

0,9535
0,9625
0,9699
0,9761
0,9812

0,9545
0,9633
0,9706
0,9767
0,9817

+2,1
+2,2
+2,3
+2,4
+2,5

0,9821
0,9861
0,9893
0,9918
0,9938

0,9826
0,9864
0,9896
0,9920
0,9940

0,9830
0,9868
0,9898
0,9922
0,9941

0,9834
0,9871
0,9901
0,9925
0,9943

0,9838
0,9875
0,9904
0,9927
0,9945

0,9842
0,9878
0,9906
0,9929
0,9946

0,9846
0,9881
0,9909
0,9931
0,9948

0,9850
0,9884
0,9911
0,9932
0,9949

0,9854
0,9887
0,9913
0,9934
0,9951

0,9857
0,9890
0,9916
0,9936
0,9952

+2,6
+2,7
+2,8
+2,9
+3,0

0,9953
0,9965
0,9974
0,9981
0,99865

0,9955
0,9966
0,9975
0,9982
0,99869

0,9956
0,9967
0,9976
0,9983
0,99874

0,9957
0,9968
0,9977
0,9983
0,99878

0,9959
0,9969
0,9977
0,9984
0,99882

0,9960
0,9970
0,9978
0,9984
0,99886

0,9961
0,9971
0,9979
0,9985
0,99899

0,9962
0,9972
0,9979
0,9985
0,99893

0,9963
0,9973
0,9980
0,9986
0,99896

0,9964
0,9974
0,9981
0,9986
0,99900

+3,1
+3,2
+3,3
+3,4
+3,5

0,99903
0,99931
0,99952
0,99966
0,99977

0,99906
0,99934
0,99953
0,99967
0,99978

0,99910
0,99936
0,99955
0,99969
0,99978

0,99913
0,99938
0,99957
0,99970
0,99979

0,99915
0,99940
0,99958
0,99971
0,99980

0,99918
0,99942
0,99960
0,99972
0,99981

0,99921
0,99944
0,99961
0,99973
0,99981

0,99924
0,99946
0,99962
0,99974
0,99982

0,99926
0,99948
0,99964
0,99975
0,99983

0,99929
0,99950
0,99965
0,99976
0,99983

O Exemplo 4.13 mostra como calcular a probabilidade com distribuio


normal utilizando a varivel z e as tabelas.
132

Exemplo 4.13: Num laboratrio, repetidas medies executadas numa pea utilizando certo
instrumento eletrnico resultam numa seqncia de valores. Os erros de medio comportamse de forma aleatria segundo a distribuio de Gauss. A mdia da distribuio vinte e o
desvio padro oito. Qual a probabilidade de medir valores menores que quatorze?
Temos: = 20; = 8; a = 14 , que o maior valor da varivel aleatria x .
Aplicamos a frmula (4.21) para varivel normal padronizada:

z=

Desejamos

obter

14 20
= 0,75 .
8

probabilidade P( x 14) .

Na

verdade,

com

transformao, vamos buscar na tabela a rea sob a curva normal modificada de a z.


Consultamos a Tabela 4.6. Localizamos na primeira coluna o valor 0,7 e
no cruzamento dessa linha com a coluna de 0,05 encontramos o nmero 0,2266. Portanto, a
probabilidade procurada P( x 14) = 0,2266. O valor 0,2266 pode ser interpretado como a
proporo dos valores menores do que 14.
Exemplo 4.14: Os pesos de 600 estudantes so normalmente distribudos com mdia 65,3 kg
e varincia 30,25. Determine o nmero de estudantes que pesam: (a) entre 60 e 70 kg ; e (b)
mais de 63,2 kg .
Vamos considerar primeiro o clculo da probabilidade para estudantes que
pesam entre 60 e 70 kg. Suporemos tambm que x e s . A varincia o quadrado do
desvio padro:

= V ( X ) = 30,25 = 5,5 kg .
Vamos calcular a probabilidade de a varivel aleatria estar entre 60 e 70
kg , que
P(60 x 70) .

133

Raciocinando em termos da rea da curva normal, vamos calcular a rea de


a 70 e subtrair desse valor a rea que vai de a 60 ,
P(60 x 70) = P( x 70) P( x 60) .

Temos que calcular as variveis normais padronizadas z 70 e z 60 (para


isso temos que empregar a relao (4.21)),
70 65,3
= 0,85,
5,5
60 65,3
z60 =
= 0,96.
5,5
z70 =

Consultamos as Tabelas 4.6 e 4.7 entrando com os valores de z e achamos


os seguintes nmeros:
z70

P ( x 70) = 0,8023,

z60

P ( x 60) = 0,1685,

P(60 x 70) = 0,8023 0,1685 = 0,6338.

O nmero esperado de estudantes com pesos compreendidos entre 60 e 70


o produto 0,6338 600 380 estudantes.
A probabilidade de termos estudantes com mais que 63,2 kg obtida do
seguinte modo. Vamos calcular a probabilidade de a varivel aleatria ser menor ou igual a
63,2 kg ,
P( x 63,2) .

Como a rea total sob a curva normal igual a um, vamos subtrair dessa
rea o resultado obtido, P( x 63,2) , j que queremos calcular a probabilidade P( x > 63,2) ,
P( x > 63,2) = 1 P( x 63,2),
z=

63,2 65,3
= 0,38.
5,5

134

Consultamos a Tabela 4.7 e obtemos:


P( x 63,2) = 0,3520 .

Conclumos que a probabilidade de, neste universo, encontrarmos


estudantes com mais de 63,2 kg
P( x > 63,2) = 1 P ( x 63,2) = 1 0,352 = 0,648 .

Desse modo, esperamos que 0,648 600 389 estudantes tenham peso
superior a 63,2 kg .

4.7.2 Distribuio retangular ou uniforme


Nesta seo trataremos apenas da distribuio retangular (uniforme)
contnua. Esta distribuio aplicvel em situaes nas quais as probabilidades de todos os
sucessos so iguais. A Figura 4.6 ilustra a funo densidade de probabilidade retangular.

f (x)

1
ba

Figura 4.6: Distribuio retangular contnua.


A funo da Figura 4.6 definida conforme a relao (4.22):

135

0,
x<a
1
f ( x) =
, a x b.
ba
0,
x>b

(4.22)

Notemos que a rea do retngulo ilustrado na Figura 4.6 igual a um, como
deve ser para qualquer funo densidade de probabilidade. A probabilidade de que uma
varivel aleatria x tenha um valor menor ou igual a um nmero x1 que pertena ao intervalo
[a, b] :

P( x x1 ) =

x1

f ( x)dx =

dx
x a
= 1
ba
ab a

a x1 b ,

onde, P( x x1 ) a probabilidade acumulada da varivel aleatria x de a at x1 .


A mdia e a varincia das variveis aleatrias da distribuio uniforme so
obtidas pelas expresses (4.23) e (4.24), de acordo com as Definies (4.3) e (4.4).

E( X ) = =

V (X ) = 2 =

a+b
.
2

(4.23)

(b a )2
.
12

(4.24)

4.7.3 Distribuio exponencial


A funo densidade de probabilidade exponencial definida pela relao
(4.25).
(4.25)

f ( x) = e x , 0 x < .

Esta

forma

de

distribuio

de

probabilidade

conhecida

mais

especificamente como distribuio exponencial negativa ( > 0 ) e, nesta forma,

136

freqentemente usada para descrever tempos de servio em modelos de fila de espera. Neste
tipo de aplicao, a varivel aleatria x representa o tempo.
Em aplicaes na teoria de filas, o parmetro da relao (4.25) o
nmero de ocorrncias na unidade de tempo. Por exemplo, pode ser a taxa de chegada de
usurios por unidade de tempo (neste caso, na teoria de filas, corresponderia ao parmetro

, que a notao usual para a taxa mdia de chegada de usurios).


A mdia e a varincia das variveis aleatrias da distribuio exponencial
so obtidas pelas relaes (4.26) e (4.27).

E( X ) = =

V (X ) = 2 =

(4.26)

(4.27)

A probabilidade acumulada exponencial desde zero at um instante que


tenha transcorrido um tempo t , isto , a funo de distribuio acumulada, dada por
(4.28):
(4.28)

P( x t ) = 1 e t

A funo de distribuio acumulada obtida integrando a funo f (x) em


x de 0 a t. O valor acumulado mede a probabilidade de o intervalo entre duas ocorrncias

consecutivas ser menor ou igual ao intervalo de tempo t .


Exemplo 4.15: Numa linha de montagem de televisores, localizada na Zona Franca de
Manaus, obtivemos a informao de que o tempo de servio mdio por aparelho de duas
horas. Qual a probabilidade de ocorrer um tempo de servio de menos de 1:40 horas?
A mdia igual a

= 2 horas aparelho o que implica em = 0,5 . O

intervalo requerido de execuo do servio 1 : 40 horas = 1 +

40 5
= horas. A probabilidade
60 3

de termos intervalos de execuo do servio inferiores a 1 : 40 horas :


137

0,5
5
3 = 1 e 0,83334 ,
P( x ) = 1 e
3
5
P( x ) = 0,5654 .
3

4.7.4 Distribuio de Erlang


Esta distribuio de probabilidade leva o nome do seu criador, o
dinamarqus Erlang, um estudioso pioneiro da rea de telecomunicaes, que viveu no sculo
XIX. A funo densidade de probabilidade da distribuio de Erlang definida em (4.29).

f ( x) =

x m 1e

(m 1)!a m

0 x < .

(4.29)

Onde:
a : parmetro de escala ou coeficiente de variao, a > 0 ;
m : parmetro de frma ( m um nmero inteiro positivo).

Aps a comparao entre as distribuies exponencial negativa e Erlang,


imediata a constatao de que em (4.29) para m = 1 e 1 a = teremos a fdp exponencial
definida em (4.25).
A mdia e a varincia das variveis aleatrias da distribuio Erlang so
obtidas pelas relaes (4.30) e (4.31).
E ( X ) = = am .

(4.30)

V ( X ) = 2 = a 2m .

(4.31)

A funo de probabilidade acumulada da fdp de Erlang, calculada desde


zero at um valor especificado x , dada por (4.32).

138

F ( x) = 1 e

m 1
i =0

( x a )i
i!

(4.32)

A distribuio Erlang usada como uma extenso para a distribuio


exponencial se o coeficiente de variao for menor que 1 (isto , a < 1 ), por exemplo nas
seguintes aplicaes:
a) na modelagem de tempos de atendimento (ou de servio) de sistemas
de filas;
b) na modelagem do tempo de reparo e tempo entre falhas de
equipamentos e sistemas.
Na primeira aplicao mencionada, um servidor com tempos de servio cuja
distribuio seja Erlang( a, m ) pode ser representado como se fosse uma srie de m
servidores com tempos de servio de distribuio exponencial.
Especificamente em sistemas de telecomunicaes, a distribuio Erlang
empregada na modelagem do trfego de chamadas telefnicas.
Para m no muito grande, a utilizao do computador para o clculo do
fatorial seja na expresso (4.29) e seja em (4.32) requer certos cuidados por parte do
programador em face das limitaes de representao da aritmtica inteira das mquinas
atualmente disponveis. Todavia, existem mtodos para contornar essas dificuldades.
Em simulaes com o uso do computador, a distribuio Erlang gerada a
partir de variveis uniformemente distribudas seguindo os passos apresentados no Algoritmo
4.1.
Algoritmo 4.1: Obteno de variveis de Erlang a partir da distribuio continua uniforme.
Dados: os parmetros m e a .
Faa P 1
Para i = 1, , m
ui U (0,1)
P P ui
Erlang (a, m) a ln P
Na seo seguinte ser estudado um teorema de capital importncia para
simulaes em computador, que encontra muitas aplicaes em Pesquisa Operacional.

139

4.8 Teorema do Limite Central


Este teorema afirma que, sob condies genricas, as somas e as mdias das
amostras de medidas aleatrias extradas de uma populao tendem a apresentar uma
distribuio aproximadamente bem comportada, desde que a amostragem seja repetida. O
significado desta afirmao pode ser melhor ilustrado com um exemplo.
Exemplo 4.16: Considere a populao referente experincia de se jogar um dado no viciado
um nmero grande de vezes. A distribuio de probabilidade dada pelo histograma da
Figura 4.7.

P( y)

Figura 4.7: Distribuio de y , que o nmero obtido ao se jogar um dado.


Extramos uma amostra de n = 5 medidas (jogamos o dado cinco vezes e
anotamos os resultados obtidos) obtendo assim a amostra

desejada. Por exemplo,

suponhamos que os nmeros anotados nessa primeira amostra sejam y = 3, 5, 1, 3 e 2 .


Calculemos a soma dessas cinco medidas e tambm a mdia da amostra, y . A ttulo de
experincia, vamos repetir a amostragem cem vezes. Os resultados para cem amostras esto
parcialmente indicados na Tabela 4.8, juntamente com os valores correspondentes de

y.
Tabela 4.8: Medidas da amostra: soma e mdia.
Nmero da amostra

Medidas contidas na amostra

1
2
...
100

3, 5, 1, 3 ,2
3, 1, 1, 4, 6
...
2, 4, 3, 4, 6
140

yi
14
15
...
19

2,8
3,0
...
3,8

yi e

i =1

Construiremos um histograma de freqncias de y (ou de

5
i =1

yi ) para essas

cem amostras e teremos uma representao grfica da distribuio emprica. Observaremos


um resultado interessante: embora os valores de y, na populao ( y = 1, 2 , 3, 4, 5, 6 ), sejam
equiprovveis (vide Figura 4.7) e, por conseguinte, possuam uma distribuio perfeitamente
uniforme, as mdias das amostras (ou somas) apresentam uma distribuio no uniforme.
Em termos formais, um enunciado do Teorema do Limite Central como
apresentado a seguir.
Teorema 4.2: Se amostras aleatrias com n observaes forem extradas de uma populao
com mdia e desvio padro , ento, quando n for grande, a mdia amostral ser
normalmente distribuda com mdia e desvio padro

A aproximao aludida no Teorema 4.2 ser tanto mais perfeita quanto


maior for o valor de n .
Para ilustrar este teorema foi elaborado no ambiente MATLAB um cdigo
para simular o lanamento do dado por cinco vezes consecutivas. Esse experimento foi
repetido mil vezes. O histograma de freqncias resultante conforme ilustrado na Figura 4.8.

Figura 4.8: Histograma de freqncias que se apresenta com o aspecto de uma normal.
141

O cdigo escrito com instrues do MATLAB mostrado na Figura 4.9.


n = input('Entrar com o tamanho da amostra: ');
m = input('Entrar com a quantidade de simulaes: ');
for k = 1:m,
soma = 0;
for i = 1:n,
y(i) = fix(1 + 6*rand);
soma = soma + y(i);
end;
media(k) = soma/n;
end;
maior = norm(media, inf); menor = norm(media, -inf);
h = (maior - menor)/m;
x = menor: h: maior;
hist(media, x)

Figura 4.9: Cdigo em MATLAB para verificao do Teorema do Limite Central.


Chamamos a ateno do leitor para forma do histograma da Figura 4.8, que
lembra a forma de sino tpica da distribuio normal.
Ressaltamos que o Teorema do Limite Central no especifica a distribuio
da populao. Na realidade, a distribuio da populao pode se apresentar sob uma vasta
gama de distribuies de probabilidade e isto que torna este teorema notvel e de grande
aplicabilidade. O Teorema do Limite Central tambm pode ser enunciado de modo especfico
para uma populao uniformemente distribuda.
Teorema 4.3: Sejam u1, u2 ,

, uk , k variveis aleatrias independentes uniformes e sejam

= E (ui ) e 2 = V (ui ) a esperana e a varincia, respectivamente. Ao obter x =

ui , a

i =1

esperana e a varincia de X so, respectivamente, E ( X ) = k e V ( X ) = k 2 , e tem-se,


para k grande, que Z k = ( X k )

aproximadamente a distribuio normal

padronizada.
142

Considerando ainda o Exemplo 4.16, observamos que o Teorema do Limite


Central poderia ser enunciado de maneira alternativa para a soma dos resultados de uma
5

amostra

i =1

padro

yi , que tambm tende a apresentar uma distribuio normal, de mdia e desvio

medida que n se torne cada vez maior.


Este teorema nos diz que a mdia e o desvio padro da distribuio das

mdias amostrais so definitivamente relacionados mdia e o desvio padro da populao


amostrada, bem como ao tamanho n da amostra. As duas distribuies tm a mesma mdia,

, e o desvio padro da distribuio das mdias amostrais igual ao desvio padro da


populao dividido por

n . Conseqentemente, a disperso da distribuio das mdias

amostrais ser consideravelmente menor ( 1

, no mximo), quanto mais difusa for a

distribuio da populao. Mais importante ainda o fato de o Teorema do Limite Central


afirmar que a distribuio das mdias amostrais aproximadamente normal (distribuio de
Gauss) para amostras de tamanho n moderado ou grande.
4.9 Exerccios propostos
1. Resolva os problemas supondo distribuio binomial:
a) Uma moeda lanada 5 vezes seguidas e independentes. Calcule a probabilidade de
serem obtidas 3 caras nessas 5 provas.
b) Dois times de futebol A e B, jogam entre si 6 vezes. Encontre a probabilidade de o
time A ganhar 4 jogos. (Lembre-se que a probabilidade de um time ganhar uma
partida 13 ).
c) Considere um processo de fabricao onde a probabilidade de ocorrncia de um item
defeituoso de 0,05. Se tirarmos uma amostra de 10 itens, calcule a probabilidade de
menos de trs itens defeituosos na amostra.
2. Resolva os problemas supondo distribuio hipergeomtrica:
a) Uma empresa possui 8 diretores, dos quais 5 so homens e 3 so mulheres. Uma
comisso de 3 diretores deve ser constituda atravs de sorteio para representar a

143

empresa num Congresso que acontecer em Cancun. Qual a probabilidade de ser


sorteada uma comisso que tenha exatamente 2 mulheres?
b) Pequenos motores eltricos so expedidos em lotes de 50 unidades. Antes que uma
remessa seja aprovada, um inspetor escolhe 5 desses motores e os inspeciona. Se
nenhum dos motores inspecionados for defeituoso, o lote aprovado. Se um ou mais
forem verificados defeituosos, todos os motores da remessa sero inspecionados.
Suponha que existam, de fato, trs motores defeituosos no lote. Calcule a
probabilidade de que a inspeo de todo o lote de 50 seja necessria? (Sugesto:
calcule a probabilidade P( X 1), onde X o nmero de motores). Resposta: 0,28.
3. Suponha um jogo de 25 nmeros (inteiros de 1 a 25) no qual so escolhidos 15 nmeros.
Apenas o acerto dos 15 nmeros d um excelente prmio ao felizardo. No sorteio, os nmeros
so retirados de um mesmo globo sem reposio. Um esperanoso apostador est intrigado
porque ele normalmente acerta 10 ou 11 pontos e nunca fez os 15. Como podemos explicar
isto para o apostador usando o modelo hipergeomtrico? Ser que acertar poucos pontos
difcil tambm? Faa clculos e, se for necessrio, um grfico tambm.
4. Uma companhia de seguros descobriu que somente cerca de 0,1 por cento da populao
est includo em certo tipo de acidente cada ano. Se seus 10.000 segurados so escolhidos ao
acaso na populao, qual a probabilidade de que no mais do que 5 de seus clientes venham
a estar includos em tal acidente no prximo ano? (Resposta: 0,067).
5. Resolva o Exemplo 4.8 usando o modelo de Poisson com parmetro igual a 4.
6. Prove a expresso (4.15) do valor esperado para o modelo de Poisson dado pela expresso
(4.14).
7. Resolva os problemas supondo distribuio normal:
a) Um teste padronizado de escolaridade tem distribuio normal com mdia igual a 100 e
desvio padro igual a 10. Determine a probabilidade de um indivduo submetido ao
teste ter nota: (1) maior que 120 (resposta: 0,0228); (2) entre 85 e 115 (resposta:
0,8664).

144

b) Uma lmpada eletrnica tem durao mdia de 850 dias e desvio padro de 40 dias.
Sabendo que a durao normalmente distribuda, calcule a probabilidade de uma
lmpada desse tipo durar: (1) entre 700 e 1.000 dias (resposta: 0,9998); (2) menos de
750 dias (resposta: 0,0062).
8. Entrando em um sistema de auto-atendimento de um banco, os clientes com seus
automveis acessam o caixa-rpido. Os tempos de utilizao so exponencialmente
distribudos com uma mdia de 45 segundos. Qual a probabilidade de ocorrer um tempo de
acesso ao caixa-rpido de menos de 30 segundos?
9. Resolva o problema supondo distribuio uniforme discreta. Uma tabela de 100 nmeros
(00 a 99) dispostos aleatoriamente. Fecha-se o olho e ao acaso aponta-se para um dos
nmeros da tabela. Qual a probabilidade de apontar o nmero 24? Qual a probabilidade
de acertar um nmero correspondente sua idade nesta tabela? Supondo que ningum na sala
tem menos de 20 e mais que 45 anos, qual a probabilidade de apontar nmeros na faixa de
idades do pessoal da sala? Qual a mdia dos nmeros dessa tabela? Qual a varincia? Qual
o desvio padro?

145