Variveis aleatrias

Uma varivel cujos valores referem-se a eventos aleatrios chamada

varivel aleatria; seus valores dependem dos resultados de um experimento.
Pode ser discreta ou contnua, dependendo dos valores que ela assume.
Varivel aleatria discreta
1. Definio
Muitos experimentos produzem resultados no numricos. Antes de analislos conveniente transformar seus resultados em nmeros. Para isso devemos
associar a cada resultado elementar (ei) do espao amostral () um nmero
real, o que feito por meio de uma regra ou funo denominada varivel
aleatria. Considerando, por exemplo, o experimento inspecionar
sanitariamente o embarque de 10 animais, pode-se definir uma varivel
aleatria como nmero de animais sadios. Trata-se de uma varivel aleatria
discreta, porque ela pode assumir o nmero finito de valores: 0, 1, 3, ..., 10.
Exemplo 1. Como outro exemplo de varivel aleatria discreta, consideremos
o cruzamento Aa x Aa, onde o conceito ilustrado com um espao amostral
com 4 resultados elementares, ou seja:
= {AA, Aa, aA, aa}
X(ei)
0

em que X denota o nmero de genes A no gentipo. Assim definida, X uma

varivel aleatria discreta.
Note que para ser discreta, a varivel aleatria (v.a.) deve assumir valores em
um conjunto finito ou infinito, porm contvel.
O passo fundamental para entendermos uma v.a. associar a cada valor de X
sua probabilidade, obtendo o que se chama uma distribuio de
probabilidade.

2. Distribuio de probabilidade
Definio. uma relao dos distintos valores x i de X junto com as suas
p( x i ) 1
respectivas probabilidades p(xi), com
i
Exemplo 2. Considerando os descendentes de Aa x Aa, a distribuio do
nmero de genes A nos gentipos (X) idntica distribuio de gentipos,
ou seja
Gentipos
X = xi
P(X = xi) = p(xi)

AA
2
1/4

Aa
1
1/2

aa
0
1/4

Total
1,0

em que: p(xi) chamada funo de probabilidade, que a cada valor de xi

associa sua probabilidade de ocorrncia.
A distribuio de probabilidade mostra-nos como a probabilidade total (1,0)
distribuda de acordo com os diferentes valores da varivel aleatria.
Freqentemente, uma frmula matemtica pode ser usada para representar, em
lugar de uma tabela, uma distribuio de probabilidade.
2.1. Representao grfica de uma distribuio de probabilidade
(a) Grfico de barras

p(x)

2/4

1/4

Grfico de barras para a distribuio dada no Exemplo 2

(b) Histograma
p(x)
2/4
rea = 0,5
1/4

0
0

Histograma para a distribuio dada no Exemplo 2

Quando o espaamento entre os valores de X difere de 1,0, tal como na
seguinte distribuio de probabilidade
X
p(x)

0
0,1

histograma traado como:

0,5
0,2

1,0
0,3

1,5
0,25

2,0
0,15

p(x)/0,5
0,60

0,40

rea
= 0,6 x 0,5
= 0,3

0,20

0,00
0

0,5

1,0

1,5

2,0

Ou seja, as alturas dos retngulos so determinadas dividindo-se as

probabilidades p(x) pelas bases dos mesmos.
O histograma recomendado para distribuies com valores de X igualmente
espaados. Caso contrrio, o grfico de barras deve ser usado.
3. Esperana matemtica
Exemplo 3. Seja uma populao finita de N indivduos
Gentipos
Nmero
X = xi

AA
n1
2

Aa
n2
1

aa
n3
0

Total
N

Denotando X o nmero de genes A no gentipo, o nmero mdio de genes A

( x ) :

n
n
n
1
(2n 1 1n 2 0n 3 ) 2 1 1 2 0 3
N
N
N
N

Esta a mdia para uma populao finita de tamanho N. Considerando um

modelo de populao infinita, as freqncias relativas ni/N (i = 1, 2, 3)
podem se aproximar de limites que so probabilidades P(X = x i) = p(xi), onde
xi = 2, 1, 0, e x se aproximar de um limite que chamado Esperana de X
(isto , o nmero esperado de genes A em uma populao infinita). O
resultado pode ser generalizado na seguinte definio:
Definio. A mdia de uma v.a. X ou de sua distribuio de probabilidade,
tambm chamada valor esperado ou esperana matemtica ou
simplesmente esperana de X, E(X), definida como

E (X)

x i .p( x i )

i 1

E(X) usada como medida do centro da distribuio de probabilidade. Por

isso, tambm chamada mdia populacional e simbolizada por . Na verdade,
E(X) uma mdia hipottica que pode nunca ser observada, mas esperada
em uma populao.
Exemplo 4. Usando a distribuio de probabilidade dada no Exemplo 2
E(X) 0

1
2
1
1 2 1
4
4
4

O nmero esperado de genes A nos descendentes de Aa x Aa igual a 1.

3.1. Propriedades da esperana
Se a e b so constantes e X uma v.a., ento:
i. E(a) = a
ii. E(bX) = b . E (X)
iii. E(X + a) = E(X) + a
iv. E(a + bX) = a + bE(X)
v. E(a + bX + cX2) = a + bE(X) + cE(x2)
4. Varincia
Definio. A varincia de uma v.a. X ou a medida de disperso de sua
distribuio de probabilidade, representada por 2X, definida por
2X = Var (X) = E[(X - )2]
A varincia pode ser calculada de dois modos:
(a)
(b)

E[( X ) 2 ] ( x i ) 2 p( x i )
i

E[( X ) ] E( X 2 ) 2E( X) 2 E( X 2 ) 2 x i2 p( x i ) [E( X)] 2

i

O desvio padro () a raiz quadrada positiva da varincia.

Exemplo 5. Seja a distribuio de probabilidade do Exemplo 2, ento

2X =

E[(X ) 2 ] ( 2 1) 2

1
2
1 1
(1 1) 2 (0 1) 2
4
4
4 2

ou

E[(X ) 2 ] ( 2 2

1
2
1
1
1 2 0 2 ) 12
4
4
4
2

4.1. Propriedades da varincia

Para a e b denotando constantes e X uma v.a.,
i. Var(X) no pode ser negativa
ii. Var (X + a) = Var (X)
iii Var (b.X) = b2. Var (X)
iv. Var (a + b.X) = b2. Var (X)
Exemplo 6. Um revendedor de produtos veterinrios recebe de vrios
laboratrios certo tipo de antibitico, que tem custo diferenciado.
Levando-se em conta a proporo fornecida e o preo apresentado por
cada
laboratrio, pode-se considerar que o custo de uma dose de
antibitico em reais, escolhida ao acaso, uma varivel aleatria C.
Admitindo a seguinte distribuio de probabilidade para C:
ci
p(ci)

1,00
0,2

1,10
0,3

1,20
0,2

1,30
0,2

1,40
0,1

(a) Determinar a mdia e a varincia da varivel aleatria C:

E(C) = 1,0.0,2 + 1,1.0,3 + 1,2.0,2 + 1,3.0,2 + 1,4.0,1= 1,17
Var(C) = [(1,02.0,2 + 1,12.0,3 + 1,22.0,2 + 1,32.0,2 + 1,42.0,1) 1,172] = 0,016
(b) Supondo que o revendedor venda cada um desses antibiticos
acrescentando 50% sobre o custo, alm de um adicional de R$ 0,10 pelo
frete, calcular a mdia e a varincia da nova varivel aleatria preo de
revenda R.
ri = 1,5ci + 0,10. Assim, usando as propriedades da mdia e da varincia:
E(R) = 1,5.E(C) + E(0,10) = 1,5. 1,17 + 0,10 = 1,855
Var(R) = 1,52.Var(C) = 1,52.0,016 = 0,036
Distribuies tericas de probabilidades de variveis aleatrias discretas

Nas diversas reas de pesquisa comum o aparecimento de variveis

aleatrias discretas, como resultados de experimentos aleatrios. Assim, para
um dado experimento, deve-se verificar se ele satisfaz as condies dos
modelos probabilsticos conhecidos, pois isso facilitaria muito sua anlise. Por
modelo probabilstico para uma varivel aleatria X, entende-se como uma
forma especfica de funo de distribuio de probabilidade que reflita o
comportamento de X. Aqui, sero estudados alguns desses modelos,
procurando enfatizar as condies em que aparecem, suas funes de
probabilidades, parmetros, e como calcular probabilidades.
1. Distribuio de Bernoulli
Consideremos uma nica tentativa de um experimento aleatrio, onde h
somente dois resultados possveis, designados por: Sucesso (S) e Fracasso (F).
O uso destes termos sugerido apenas por convenincia e no tm a mesma
conotao de sucesso e fracasso na vida real. Habitualmente, o resultado de
interesse principal rotulado como sucesso, mesmo que se trate de um evento
indesejvel. Por exemplo:
(a) testa-se um antibitico em um indivduo, a reao ou positiva (S) ou
negativa (F);
(b) observa-se um nascimento, o recm-nascido ou macho (F) ou fmea
(S); e
(c) um animal escolhido, ao acaso, de um lote contendo 50 animais, o
animal doente (S) ou no (F).
Em todos estes casos, estaremos interessados na ocorrncia de um sucesso ou
fracasso. Assim, para cada experimento, podemos definir uma varivel
aleatria X : o nmero de sucessos, que assume apenas dois valores, o valor 1
se ocorre sucesso (S) e o valor 0 (zero) se ocorre fracasso (F), sendo P(S) = p,
0 < p <1. Ou seja,
0 (F)

X = 1 (S)

com

P(X = 1) = p e P(X = 0) = 1 p = q

Nestas condies, a varivel aleatria X com a funo de probabilidade:

X
p(x)

0
q

1
p

Total
1,0

ou

P(X = x) = px . q1 x

chamada varivel aleatria de Bernoulli.

Experimentos que resultam numa varivel aleatria de Bernoulli so
chamados ensaios de Bernoulli.

1.1. Esperana e varincia

k

E ( X ) x i p( x i ) =
i 1

0.q + 1.p = p

Var(X) = E(X2) [E(X)]2 = (02. q + 12. p) p2 = p p2 = p (1 p) = p.q

2. Distribuio binomial
Quando um nmero fixo n de ensaios de Bernoulli so repetidos, supondo que
as repeties sejam independentes (isto , o resultado de um ensaio no tem
influncia no resultado de qualquer outro), com P(S) = p e P(F) = q em cada
ensaio, pode-se considerar a varivel aleatria X, que representa a contagem
do nmero de sucessos em n ensaios. Os possveis valores de X so os inteiros
0, 1, 2,..., n. A distribuio de probabilidade de X chamada distribuio
binomial com n ensaios e probabilidade de sucesso p.
Para deduzir uma frmula para P(X = x), onde x = 0, 1, 2, ..., n, ou seja, x
pode ser qualquer nmero inteiro entre 0 e n, consideremos n = 4 ensaios, cada
um dos quais podendo resultar em S ou F. H 2 x 2 x 2 x 2 = 16 resultados
possveis, os quais esto relacionados nas colunas abaixo, de acordo com o
nmero de sucessos (S):
FFFF
SFFF
SSFF SSSF SSSS
FSFF
SFSF SSFS
FFSF
SFFS SFSS
FFFS
FSSF FSSS
FSFS
FFSS
Valor de X (nmero de S)
Prob. de cada seqncia
Nmero de seqncias

0
q4
4

1=

1
pq3
4

4=

2
pq

2 2

6=

3
p3q
4

4=

4
p4
4

1=

Como os ensaios so independentes e em cada ensaio P(S) = p e P(F) = q, a

probabilidade de cada seqncia, por exemplo na terceira coluna, que tem 2
Ss e 2 Fs P(SSFF) = P(S).P(S).P(F).P(F) = p 2q2. Da mesma maneira, a
probabilidade de cada seqncia individual nesta coluna p 2q2. H seis
seqncias, assim obtm-se P(X = 2) = 6 p2q2. O fator 6 o nmero de
seqncias com 2 Ss e 2 Fs. Mesmo sem fazer uma listagem completa das
seqncias, pode-se obter esta contagem, notando que os dois lugares onde S

 4

2

ocorre, podem ser selecionados de um total de 4 lugares em

= 6 maneiras,

cada um dos remanescentes 2 lugares sendo sempre preenchidos com um F.

Assim procedendo em relao s demais colunas, a distribuio binomial com
n = 4 ensaios, pode ser disposta na forma da tabela apresentada a seguir:
Distribuio binomial com n = 4 ensaios:
X

0
4

0

P(X = x)

1
4

1

p0q4

p1q3

4

2

p2q2

3
4

3

p3q1

4
4

4

p4q0

Estendendo o raciocnio para o caso geral de n ensaios de Bernoulli, observase que h

n

x

seqncias que tem x sucessos e (n - x) fracassos e que a

probabilidade de cada seqncia px.qn-x. Portanto,

n x n x
p . q
x

P(X x )

para x = 0, 1, 2,..., n

Denota-se esta probabilidade por b(x; n, p), e quando X tem distribuio

binomial com os parmetros n e p escreve-se X : b(n, p).
O termo distribuio binomial originado do teorema da expanso
binomial:
n
n
n
(a b) n a n ba n 1 b 2 a n 2 ... b x a n x ... b n
1
2
x

Considerando, em particular, a = q e b = p, esta frmula produz:

n
n
n
(q p) n q n pq n 1 p 2 q n 2 ... p x q n x ... p n
1
2
x

Os termos sucessivos do lado direito desta frmula so as probabilidades

n

binomiais. Como p + q = 1, b( x; n , p) 1 , como seria para qualquer

x 0

distribuio de probabilidades.
Ilustrao da maneira pela qual os valores de p influenciam a forma da
distribuio binomial:

(a) n = 6, p = 0,5

(q = 0,5)

(b) n = 6, p = 0,3

(q = 0,7)

(c) n = 6, p = 0,7

(q = 0,3)

Quando p = 0,5 (Figura a), a distribuio binomial simtrica; se o valor de p

em um histograma tem o mesmo valor de q em outro (Figuras b e c),
as probabilidades so exatamente as mesmas, mas dispostas de
forma invertida. Isto ilustra a propriedade geral da distribuio
binomial: quando p e q so alternados, a distribuio de
probabilidades invertida. Ento, pode-se estabelecer a relao geral
b (x; n, p) = b (n - x; n, 1 - p).
2.1. Uso da tabela binomial
A Tabela 1 d os valores de b(x; n, p) para n = 1 a 20 e p = 0,05; 0,10;
0,15; ...; 0,50. Quando p> 0,50, usa-se:

b(x; n , p) = b(n - x; n, 1 - p)
Exemplificando, b(2; 6, 0,7) = b(4; 6, 0,3) = 0,0595
2.2. Esperana e varincia
A mdia e a varincia de uma distribuio binomial so dadas por:
E(X) = n.p

e Var(X) = n.p.q

Para justificar essas frmulas, consideremos que uma varivel aleatria X que
representa o nmero de sucessos em n ensaios de Bernoulli pode ser denotada
por: X = X1 + X2 + ...+ Xn, onde Xi o nmero de sucessos no i-simo ensaio
(Xi = 0 ou 1). Como os ensaios so independentes, X 1, X2, ..., Xn so variveis
aleatrias independentes, cada uma tendo distribuio de Bernoulli, em que
E(Xi) = p e Var(Xi) = pq. Usando as propriedades de esperana e varincia da
soma de variveis aleatrias, obtm-se:

E(X) = E(X1) + E(X2) + ... + E(Xn) = p + p +... + p = n.p

Var(X) = Var(X1) + Var(X2) + ... + Var(Xn) = pq + pq +... + pq = n.p.q
Exemplo 1. Ocorrendo 3 nascimentos a partir do acasalamento Aa x aa, qual a
probabilidade de se obter 3 descendentes Aa?
P(Desc.Aa/Acas.Aa x aa) = p = 1/2
n x n x
p . q
x

P(X x )

E(X) = n.p = 3.1/2 = 3/2

3 1 1

3 2 2

P( X 3)

1
0,125
8

Var(X) = n.p.q = 3.1/2.1/2 = 3/4

A extenso para mais do que dois eventos (ou classes) direta e dada pela
distribuio multinomial. Se p1 a probabilidade associada com a acorrncia
do evento 1, p2, a probabilidade do evento 2, p 3, a probabilidade do evento 3 e
assim por diante, ento, a probabilidade que em n ensaios independentes, o
evento 1 ocorra x1 vezes, o evento 2, x2 vezes, o evento 3, x3 vezes, e assim
por diante, :
P( x 1 , x 2 , x 3 , ...)

n!
x
p x1 p x 2 p 3 ...
x 1! x 2 ! x 3 !... 1 2 3

onde: xi = n , pi = 1. Esta probabilidade um termo na expanso de

x
(p1x1 p 2x 2 p 3 3 ...) n .
Exemplo 2. O grupo sanguneo MN na populao humana, onde os
acasalamentos so praticamente ao acaso, apresenta os seguintes fentipos e
as respectivas probabilidades esperadas de ocorrncia:
Fentipo
MM
MN
NN

Probabilidade
p2
2pq
q2

onde: p a freqncia do alelo M e

q a freqncia do alelo N

Considerando uma amostra aleatria de n indivduos dessa populao, a

probabilidade de que x1 deles sejam MM, x2 MN e x3 NN, onde
x1 + x2 + x3 = n, :

n!
(p 2 ) x1 (2pq ) x 2 (q 2 ) x 3 .
x 1! x 2 ! x 3 !

3. Distribuio de Poisson
Consideremos as seguintes variveis aleatrias:
X1: o nmero de mutaes num locus por gerao,
X2: o nmero de glbulos vermelhos observados em cada quadrado de um
hemocitmetro, e
X3: o nmero de bactrias em um litro de gua no-purificada,
onde:

Xi = x,

x = 0, 1, 2, 3, ...

O comportamento dessas variveis aleatrias, as quais representam o nmero

de ocorrncias de eventos em um intervalo de tempo ou no espao (superfcie
ou volume), pode ser descrito pela chamada distribuio de Poisson, cuja
funo de probabilidade :
P(X x )

e . x
x!

x = 0, 1, 2, 3, . . .

onde: e = 2,71828 e o parmetro da distribuio, que representa o

nmero mdio de ocorrncias do evento por unidade de tempo ou espao.
Propriedades:
1. A probabilidade de ocorrncia a mesma para dois intervalos quaisquer
de comprimentos iguais.
2. A ocorrncia ou no em determinado intervalo independente da
ocorrncia ou no em outro intervalo.
Uma suposio que se faz usualmente em relao a essa distribuio que a
probabilidade de se obter mais de um evento num intervalo muito pequeno
desprezvel.
3.1. Esperana e Varincia
Se X uma varivel aleatria com distribuio de Poisson e parmetro ,
ento, E(X) = e Var (X) = . Ou seja, o nmero mdio e a varincia de
ocorrncias de eventos por unidade de tempo (ou espao) so iguais () e
constantes ao longo do tempo (ou espao).
Exemplo 1. Supondo que o nmero mdio de bactrias por litro de gua
purificada 2, qual a probabilidade que 5 ou mais bactrias sejam
encontradas em uma amostra de 3 litros de gua?

Sendo = 2.3 = 6, o nmero mdio de bactrias em 3 litros de gua, ento:

e 6 6 x
= 1- 0,2851 = 0,7149
x 0
x!
4

P( x 5) 1 P(X 4) 1

Exemplo 2. Em uma populao, seja X o nmero de descendentes produzidos

por famlia/gerao. Assumindo que X 2, qual a probabilidade de
famlias com X 4 descendentes?
P(X 4)

e 2 . 2 4
4!

0,0902

3.1. Distribuio de Poisson como aproximao da distribuio binomial

Algumas vezes, no uso da distribuio binomial, ocorre que n muito grande
e p muito pequeno, de modo que q prximo de 1. Em tais casos, o clculo
torna-se muito difcil. Pode-se, ento, fazer uma aproximao da distribuio
binomial pela Poisson, ou seja,
b( x; n, p)

e np (n.p) x
x!

A aproximao boa, se n.p 7.

Exemplo 1. Sabendo-se que a probabilidade de um animal ter reao negativa
a certa vacina de 0,001, determinar a probabilidade de que, de 2000 animais
injetados, mais do que quatro tenham reao negativa.
n.p 2000 . 0,001 2
e 2 2 4 e 2 2 3 e 2 2 2 e 2 21 e 2 2 0

4!
3!
2!
1!
0!

P ( X 4) 1 P ( X 4) 1

= 1 e

16 8 4

24 6 2 2 1 1 0,135.7

= 0,055