Variáveis aleatórias

e distribuições de
probabilidade
Profª Mirian Araújo
Variável Aleatória
A estatística está interessada em fazer
inferências sobre populações e suas
características. Os experimentos são
conduzidos com resultados que estão
sujeitos ao acaso. Testar certo número de
componentes eletrônicos é um exemplo de
experimento estatístico, termo usado para
descrever qualquer processo pelo qual são
geradas várias observações probabilísticas.
Frequentemente é importante atribuir uma
descrição numérica ao resultado.
Variável Aleatória
 Por exemplo, o espaço amostral que fornece uma
descrição detalhada de cada resultado possível quando
três componentes eletrônicos são testados pode ser
escrito como:
S = {NNN, NND,NDN, DNN, NDD, DND, DDN, DDD},
em que N denota os componentes ‘não defeituosos’ e D
denota aqueles considerados ‘defeituosos’.
 Uma pessoa está interessada no número de
componentes com defeito. Assim, para cada ponto no
espaço amostral será atribuído um valor numérico 0,
1, 2 ou 3. Esses valores são quantidades aleatórias
determinadas pelo resultado do experimento. Eles
podem ser vistos como os valores assumidos pela
variável aleatória X (nº de itens defeituosos).
 Variável Aleatória
 Definição: Uma variável aleatória (v.a.) é uma função que
associa um número real a cada elemento do espaço amostral.
 Usamos uma letra maiúscula, digamos X, para denotar a
variável aleatória e sua letra minúscula x, para denotar um de
seus valores.

Exemplo 1: Duas bolas são retiradas, sucessivamente, de uma

urna que contém duas bolas vermelhas e três pretas, sem
reposição. Os resultados possíveis e os valores x da v.a. X, em
que X é o nº de bolas vermelhas são:
Espaço amostral X
VV 2
VP 1
PV 1
PP 0
 Variável Aleatória
 No exemplo anterior o espaço amostral contém um
número finito de elementos. Por outro lado, quando
jogamos um dado até que a face 5 ocorra, obtemos um
espaço amostral com uma sequência infinita de elementos.

 Definição: Se o espaço amostral contém um número finito

de possibilidades ele é chamado de espaço amostral
discreto.
 Definição: Se um espaço amostral contém um número
infinito de possibilidades igual ao número de pontos em
um segmento de linha, ele é chamado de espaço amostral
contínuo.
Variável Aleatória
 Definição: Uma v.a. é discreta se toma valores que
podem ser contados.
Exemplos: nº de acidentes numa semana, nº de defeitos
em sapatos, nº de terremotos, etc.

 Definição: Uma v.a. é contínua quando pode tomar

qualquer valor de determinado intervalo.
Uma v.a. contínua tem um número infinito de valores
possíveis.
Exemplos: peso corporal, duração de uma conversa
telefônica, alturas de pinheiros, etc.
Distribuições de probabilidades
discretas
 Uma v.a. discreta assume cada um de seus valores com
certa probabilidade.
 A soma das probabilidades de todos os resultados
possíveis deve ser igual a 1.
 É conveniente representar todas as probabilidades de
uma v.a. X por uma fórmula. Tal fórmula seria,
necessariamente, uma função dos valores numéricos x,
denotada por f(x), por exemplo. Portanto, escreve-se
𝑓 𝑥 = 𝑃(𝑋 = 𝑥) . O conjunto de pares ordenados,
(𝑥, 𝑓 𝑥 ) é chamado de função de probabilidade ou
distribuição de probabilidade da variável aleatória
discreta X.
Distribuições de probabilidades
discretas
 Definição: O conjunto de pares ordenados (𝑥, 𝑓 𝑥 ) é a
função de probabilidade, função de massa de
probabilidade ou distribuição de probabilidade da
variável discreta X, se, para cada resultado possível x,
1. 𝑓(𝑥) ≥ 0;
2. 𝑥 𝑓(𝑥) = 1;
3. 𝑓 𝑥 = 𝑃 𝑋 = 𝑥
V.A. Discretas
 Exemplo 2: Seja X v.a. do exemplo 1 que
representa o número de bolas vermelhas extraídas
de uma urna com 2 bolas vermelhas e 3 pretas, sem
reposição.
Espaço X P(X)
amostral
VV 2 1/10
VP 1 3/10
PV 1 3/10
PP 0 3/10
Valor Médio ou Esperança -
V.A. Discretas
 A média é chamada de valor esperado, valor médio ou
esperança da distribuição de probabilidade.
 A esperança de uma v.a. X, denotado por E(X), é a média
ponderada de todos os possíveis valores da variável com os
respectivos valores de probabilidade tomados como peso.
Assim:
𝑛

𝐸 𝑋 = 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖 ) = 𝑋 ∙ 𝑃(𝑋)
𝑖=1
Valor Médio ou Esperança -
V.A. Discretas
 Exemplo 3: A esperança para o número de bolas numa urna
é:
X P(X) X * P(X)
0 3/10 = 0,30 0
1 6/10 = 0,60 0,60
2 1/10 = 0,10 0,20
Total 1,00 0,80

𝐸 𝑋 = 𝑋 ∙ 𝑃(𝑋) = 0,80
𝑖=1
Variância - V.A. Discretas
 A variância de uma v.a. X, denotada por Var(X), é
calculada em relação a E(X) como a média da distribuição
de probabilidade:
𝑛

𝑉𝑎𝑟 𝑋 = [𝑥𝑖 − 𝐸 𝑋 ]2 𝑃(𝑋 = 𝑥𝑖 )

𝑖=1

 Uma fórmula alternativa e preferencial para encontrar a

variância, que costuma simplificar os cálculos, é obtida
por:

𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − [𝐸 𝑋 ]2

𝑛
Obs: 𝐸 𝑋 2 = 𝑖=1 𝑋
2 ∙ 𝑃(𝑋)
Variância - V.A. Discretas
 Exemplo 4: A variância para número de bolas na
urna (ver Tabela):

X P(X) X * P(X) X^2 X^2 * P(X)

0 0,30 0 0 0
1 0,60 0,60 1 0,60
2 0,10 0,20 4 0,40
Total 1,00 0,80 - 1,00

𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − [𝐸 𝑋 ]2
𝑉𝑎𝑟 𝑋 = 1,00 − 0,80 2 = 0,36
Exemplo
 Exemplo 5: Calcule a esperança e variância para o número
de carros X que passam por um lava-rápido entre 16h e
17h, numa sexta-feira:

X P(X)
4 1/12
5 1/12
6 ¼
7 ¼
8 1/6
9 1/6
Total 1,00
Exemplo
 Exemplo 5: tabela completa

X P(X) X * P(X) X^2 X^2 * P(X)

4 0,08 0,32 16 1,28
5 0,08 0,40 25 2,00
6 0,25 1,50 36 9,00
7 0,25 1,75 49 12,25
8 0,17 1,36 64 10,88
9 0,17 1,53 81 13,77
Total 1,00 6,86 - 49,18
 Alguns modelos
de distribuições de
probabilidade
discreta
Modelos distribuições de
probabilidade discreta
 Considere os seguintes experimentos aleatórios e
variáveis aleatórias:
1. Jogue uma moeda 10 vezes. Seja X = nº de caras
obtidas.
2. Um tear produz 1% de peças defeituosas. Seja X = nº de
peças defeituosas nas próximas 25 peças produzidas.
3. De todos os bits transmitidos através de um canal digital
de transmissão, 10% são recebidos com erro. Seja X = nº
de bits com erro nos próximos 5 bits transmitidos.
4. Um teste de múltipla escolha contém 10 questões, cada
uma com quatro escolhas. Você tenta adivinhar cada
questão. Seja X = nº de questões respondidas
corretamente.
Modelos distribuições de
probabilidade discreta
 Cada um desses experimentos aleatórios pode ser
pensado com consistindo em uma série de tentativas
aleatórias e repetidas.
 A variável aleatória em cada caso é uma contagem do
número de tentativas que encontram um critério
especificado. O resultado de cada tentativa satisfaz ou
não o critério que X conta; consequentemente, cada
tentativa pode resultar em um sucesso ou uma falha,
respectivamente.
 O sucesso aqui estará associado ao critério que X estiver
avaliando em cada caso.
 Distribuição Binomial
A distribuição binomial é uma distribuição discreta
de probabilidade, aplicável sempre que o processo
de amostragem é do tipo de Bernoulli. Um processo
de Bernoulli é um processo de amostragem no qual:
1. Em cada tentativa existem dois resultados
possíveis mutuamente exclusivos chamados de
sucesso e fracasso.
2. As séries de tentativas, ou observações, são
constituídas de eventos independentes.
3. A probabilidade de sucesso p permanece constante
de tentativa para tentativa. Ou seja, o processo é
estacionário.
Distribuição Binomial
A distribuição binomial pode ser utilizada para
determinar a probabilidade de se obter um dado
número de sucessos em um processo de Bernoulli.
Três valores são necessários:
1. o número de sucessos (X);
2. o número de tentativas ou observações (n) e
3. a probabilidade de sucesso em cada tentativa (p).
A função de probabilidade Binomial é:

𝑃 𝑋 = 𝑥 = 𝐶(𝑛,𝑥) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥

𝑛!
em que 𝐶(𝑛,𝑥) =
𝑥! 𝑛−𝑥 !
Distribuição Binomial
 Exemplo 6: Em seu caminho matinal, você se aproxima
de um determinado sinal de trânsito, que está verde 20%
do tempo. Suponha que cada manhã represente uma
tentativa independente. Em 5 manhãs, qual é a
probabilidade de que a luz esteja verde exatamente dois
dia?

 Geralmente, há o interesse na probabilidade acumulada

de “X ou mais” ou “X ou menos” sucessos ocorrerem
em n tentativas. Em tal caso, precisa ser determinada a
probabilidade de cada resultado incluído dentro do
intervalo dado, sendo tais probabilidades, então,
somadas.
Distribuição Binomial
 Exemplo 7: Considere o exercício 6, qual a
probabilidade de que a luz esteja verde no mínimo
dois dias?

 Exemplo 8: A probabilidade de que um paciente

se recupere de uma certa doença sanguínea rara é
de 0,4. Se 15 pessoas contraíram essa doença,
qual é a probabilidade de que:
a) Pelo menos um sobreviva
b) Exatamente cinco sobrevivam
c) No máximo dois sobrevivam
Distribuição Binomial
 Exemplo 9: Cada amostra de ar tem 10% de
chance de conter um determinado poluente
orgânico. Considere que as amostras sejam
independentes em relação à presença do poluente.
Qual a probabilidade de que nas próximas 18
amostras:
a) Exatamente 2 contenham o poluente?
b) No mínimo 2 amostras contenham o poluente?
c) Entre 3 < X < 7 amostras contenham o poluente?
 Distribuição Binomial
Esperança e Variância
 A esperança de sucessos é dada por:

𝐸 𝑋 = 𝜇 = 𝑛𝑝

A variância do número de sucessos pode ser calculada

por:
𝑉𝑎𝑟 𝑋 = 𝑛𝑝(1 − 𝑝)

 Exemplo 10: Para o exemplo 9, calcule a esperança e a

variância associada com a probabilidade de se
encontrarem amostras que contenham o poluente.
Distribuição de Poisson
 Experimentos que geram valores numéricos da variável
aleatória X, o número de resultados que ocorrem durante um
dado intervalo de tempo ou em uma região específica, são
chamados de experimentos de Poisson.
 O intervalo de tempo dado pode ter qualquer extensão, tal
como um minuto, um dia, uma semana, um mês ou até
mesmo um ano.
 A região específica pode ser um segmento de linha, uma
área, um volume ou talvez um pedaço de material.
 O nº X de resultados que ocorrem durante um experimento
de Poisson é chamado de variável aleatória de Poisson, e
sua distribuição de probabilidade é chamada de distribuição
de Poisson.
Distribuição de Poisson
A distribuição de Poisson pode ser usada para
determinar as probabilidades do número de
ocorrências em um intervalo contínuo de tempo ou
espaço.
Exemplo: nº de carros que chegam a um lava-rápido em
uma hora, nº de reparos necessários em 16 km de uma
rodovia ou o nº de chamadas em uma central telefônica.

 Talcomo no caso do processo de Bernoulli, supõe-

se que os eventos são independentes e que o
processo é estacionário (a probabilidade permanece
constante de tentativa para tentativa).
Distribuição de Poisson
 Somente um valor é necessário para determinar a
probabilidade de um dado número de ocorrências em
um processo de Poisson: o número médio de
ocorrências para a específica dimensão de tempo ou
espaço de interesse.
Este número médio é geralmente representado por 
(lambda). Assim, a função probabilidade de Poisson é:

𝜆𝑥 𝑒 −𝜆
𝑃 𝑋=𝑥 =
𝑥!
P(X = x) = probabilidade de x ocorrências em um intervalo;
 = nº médio de ocorrências e
e = 2,71828....
Distribuição de Poisson
Esperança e Variância

 A esperança de sucessos é dada por:

𝐸 𝑋 =𝜆

A variância do número de sucessos pode ser

calculada por:

𝑉𝑎𝑟 𝑋 = 𝜆
 Distribuição de Poisson
 Exemplo 11: Um departamento de conserto de máquinas
recebe uma média de 5 chamadas por hora.
a) Qual a probabilidade de que, em 1 hora selecionada
aleatoriamente, sejam recebidas exatamente 3 chamadas?
b) Qual a probabilidade de que menos do que 3 chamadas
sejam recebidas durante 1 hora?

 Exemplo 12: Durante um experimento de laboratório, o

número médio de partículas que passam por um contador
em um milésimo de segundo é quatro. Qual é
probabilidade de que seis partículas entre no contador em
um dado milésimo de segundo? E mais do que duas
partículas entre no contador em um dado milésimo de
segundo?
Distribuição de Poisson
 Exemplo 13: Experiências passadas indicam que um
número médio de 6 clientes por hora param para colocar
gasolina num posto da cidade. Qual é a probabilidade de:
a) Exatamente 3 clientes pararem em alguma hora?
b) No mínimo 2 clientes pararem em alguma hora?

 Exemplo 14: Suponha que o número de consumidores que

entram em um banco em uma hora seja uma variável
aleatória de Poisson. Suponha também que 𝑃 𝑋 = 0 =
0,05. Determine a média e a esperança de X.