4

Teoria de Probabilidades

Este tópico tem como

objectivos:
 Distinguir entre uma distribuição de probabilidade discreta e
contínua;
 Calcular a média, a variância e o desvio padrão de uma distribuição
de probabilidade discreta;
 Definir os termos da distribuição de probabilidade e variável
aleatória.

Na última unidade da Estatística I, o caro estudante aprendeu, não só, os

principais conceitos e aplicações da teoria de probabilidades, como também
aprendeu a calcular probabilidades.

Nesta unidade, vamos aprender outros conceitos de probabilidade e outras

formas de cálculo de probabilidades, mas antes de continuar a leitura
desta unid ade, recomendámos-lhe que leia os principais conceitos de
probabilidade discutidos na unidade IV de Estatística I e responda as seguintes
questões:

1. Diga em poucas palavras o que entende por probabilidades e qual é a

sua aplicação.
2. O que é experiência e evento?
3. O que é espaço de resultados?
4. Considere a experiência aleatória do lançamento de um dado. a)
Calcule a probabilidade de sair a face 1. b) Calcule a probabilidade
de sair um número ímpar.
Para refrescar a sua memória, apresentam-se a seguir alguns exemplos, nos
quais a teoria de probabilidades é necessária.

Ao jogarmos uma moeda para o ar, de modo geral, não podemos afirmar se
vai dar cara ou coroa. Da mesma forma, quando lançamos um dado não
sabemos qual das faces 1, 2, 3, 4, 5, ou 6 ocorrerá. Há numerosos exemplos de
tais situações no campo dos negócios e do governo. A previsão da procura de
um produto novo, o cálculo dos custos de produção, a opinião pública sobre
determinado assunto, a contratação de um novo empregado – tudo isso contém
algum elemento de acaso.

Independente de qual seja a aplicação em particular, a utilização

das probabilidades indica que existe um elemento de acaso, ou de incerteza,
quanto à ocorrência ou não de um evento futuro. Assim é que em muitos
casos, pode ser virtualmente impossível afirmar com antecipação o que
ocorrerá; mas é possível dizer o que pode ocorrer. O ponto central em
todas essas situações é a possibilidade de quantificar quão provável é
determinado evento.

As probabilidades são utilizadas para exprimir a chance de ocorrência

de determinado evento. Em seguida, iremos aprender outros conceitos
5
básicos da Teoria de Probabilidade, começando com a definição de experiência
aleatória.

Experiência
aleatória

Vamos agora descrever o tipo de fenómeno que será examinado nesta

disciplina.

6
6

Inicialmente, chamaremos de experimento (experiência) qualquer

procedimento que pode ser ensaiado repetidas vezes, de maneira que, a cada
novo ensaio, as condições de execução se mantenham inalteradas. Um
experimento é aleatório se seus resultados puderem variar a cada ensaio,
mesmo que as condições sejam as mesmas. Tais fenómenos precisam de um
modelo matemático diferente para seu estudo. São o que chamaremos de
modelos não-determinísticos ou probabilísticos.
Podemos tomar como exemplo uma situação em que deseja-se medir a
quantidade de chuva que cai em uma determinada localidade. Por mais que
as observações meteorológicas tornem possível prever a natureza da
tempestade, não é possível dizer exactamente quanta chuva irá cair. Um
outro exemplo seria o de um laboratório que deseja testar o tempo de
reacção a certo medicamento e, para tanto, ministra este medicamento em
vários pacientes, sob as mesmas condições. Não se pode prever o tempo que
cada um dos pacientes levará para reagir ao medicamento. Um terceiro
exemplo que podemos tomar é o lançamento de um dado não viciado,
sempre sob as mesmas condições. Não é possível afirmar com exactidão qual
será a face observada a cada novo lançamento.
A partir destes exemplos, podemos perceber que, em fenómenos aleatórios,
as condições sob as quais um experimento é executado não determinam
com precisão o resultado que será obtido do experimento.
Em suma, experiência aleatória é aquela que quando repetida em
iguais condições, podem fornecer resultados diferentes, ou seja, são
resultados explicados pelo acaso. Quando se fala de tempo e possibilidades
de ganho na lotaria, a abordagem envolve cálculo de experiência aleatória.
A figura abaixo mostra um experimento aleatório de lançamento de um dado.

Lançamento de dados: um exemplo de experimento

aleatório.

Espaço
Amostral

O espaço amostral, geralmente denotado por S ou Ω, de um experimento

ou experiência aleatória é o conjunto de todos os resultados possíveis. Por
exemplo, se o experimento é lançar uma moeda e verificar a face voltada
para cima, o espaço amostral é o conjunto {cara, coroa}. Para o lançamento
de um dado de seis faces, o espaço amostral é {1, 2, 3, 4, 5, 6} e para o
nascimento de um bebé, o espaço amostral é {menina, rapaz}.

Por exemplo, considere-se a experiência "lançar um dado". A variável

aleatória X que traduz o resultado desta experiência pode tomar os valores
1,2,3,4,5 ou 6. O conjunto Ω = {1, 2, 3, 4, 5, 6} é o espaço amostral e os
subconjuntos de Ω chamam-se eventos ou acontecimentos. Neste caso, a
probabilidade de cada evento elementar {1}, {2}, {3}, {4}, {5}, {6} é igual a
1/6. A probabilidade num lançamento de um dado sair um número par é a
probabilidade do evento {2,4, 6},
7
que é

P(X(ω)∈{2,4,6})=3/6=1/2.
Acontecimentos e eventos
aleatórios

Sendo S um espaço amostral para um determinado experimento

aleatório, chamamos de evento, qualquer um dos subconjuntos de S, ou seja,
um evento é um conjunto de resultados possíveis. Um resultado individual
do experimento também pode ser considerado um evento. Denotaremos
um evento por A. exemplo:

Experiência aleatória: lançamento de um dado não-viciado: S ={1, 2, 3, 4, 5,

6}. Evento 1: a ocorrência de um número ímpar: A ={1, 2, 3}. A é subconjunto
de S. Evento 2: a ocorrência de um número maior que 4: A ={5, 6}.

Vale ressaltar que um evento pode não referir-se somente a uma

possibilidade dentro do espaço amostral. Um evento pode reunir várias
possibilidades dentro de um mesmo espaço amostral. Se o espaço
amostral for finito ou infinito numerável, qualquer subconjunto deste pode
ser tomado como evento. Quando tratamos de espaços amostrais infinitos
não-numeráveis, verificamos que nem todo subconjunto deste pode ser
considerado evento. No entanto, não trataremos desses casos nesta unidade.

Variável
aleatória

Uma variável aleatória pode ser considerada como o resultado numérico

de operar um mecanismo não determinístico ou de fazer uma experiência não
determinística para gerar resultados aleatórios.

Em outras palavras, uma variável aleatória é um valor numérico determinado

pelo resultado de uma experiência (é uma quantidade resultante de um
experimento aleatório que, por acaso, pode assumir diversos valores).

Intuitivamente, uma variável aleatória pode ser vista como uma

medição de algum parâmetro que pode gerar um valor diferente a
cada medida. Matematicamente, a variável aleatória é a função que associa
um número rea l a cada elemento do espaço amostral.

A variável aleatória é uma função formada por valores numéricos definidos

sobre o espaço amostral de um experimento. A cada resultado do experimento
7
aleatório corresponderá apenas um único valor numérico da VA.
Entretanto, um valor

8
8

numérico da VA poderá corresponder a um ou mais resultados de

um experimento.

Suponha:
E (experiência aleatória) → jogar uma moeda três vezes
S (espaço amostral) = {(ccc), (kcc), (ckc), (cck), (kkk), (kkc), (kck), (ckk)}

A variável aleatória diz respeito à característica do experimento que

queremos estudar.

Suponha que:
Característica = número de caras nos 3 lançamentos da
moeda. Quais os valores assumidos pela variável aleatória?
X = 0 {(kkk)} (não sai nenhuma
cara)
X=1 {(kkc)(kck)(ckk)} (sai uma cara)
X = 2 {(kcc)(ckc)(cck)} (saem duas
caras) X = 3 {(ccc)} (saem 3 caras)
Exemplo
1
Duas bolas são retiradas sucessivamente, sem reposição, de uma caixa
que contém 4 bolas vermelhas e 3 pretas. Seja X a variável aleatória “número
de bolas vermelhas retiradas no experimento” Quais os valores assumidos por
“X”?

Solução:
São retiradas duas bolas da caixa. Essas bolas podem ser: a primeira vermelha
ea
segunda também vermelha (VV); ou a primeira vermelha e a segunda preta
(VP); ou a primeira preta a segunda vermelha (PV); ou a primeira preta e a
segunda preta (PP). Então o espaço amostral (o conjunto dos resultados
possíveis) é:

S = {VV, VP, PV, PP}

Então X = {2, 1, 1, 0} ou seja, X = 0, 1,

2
Outra forma de ilustrar a ideia de um espaço amostral, considere o
exemplo seguinte: Jogar 2 moedas em cima e observar a face de cima.
Seja (K = cara e C = coroa).
X: número de caras em 2 lances de
moeda.

Note que X pode tomar os valores 0, 1 e 2, isto é, X = {0, 1, 2}. Ou seja, ao

lançarmos uma moeda 2 vezes, pode não sair nenhuma cara (X=0), pode sair
uma vez (X=1), ou podem sair duas caras (X=2), conforme ilustra o esquema a
seguir:
 O resultado zero cara, ocorre somente 1 vez
 O resultado 1 cara, ocorre 2 vezes (CK e
KC)
 O resultado 2 caras, ocorre somente 1 vez
Exemplo 2: Considere um experimento aleatório no qual uma moeda é
jogada 3 vezes. Seja X o número de caras. Seja H o resultado cara e T o
resultado coroa.

O espaço amostral para este experimento será: {TTT, TTH, THT, THH,
HTT, HTH, HHT, HHH}

Assim, os possíveis valores de X (número de caras) serão: X = {0, 1, 2,

3}.

Nota: Neste experimento, há 8 possíveis resultados no espaço amostral.

Desde que eles são todos igualmente prováveis de ocorrer, cada resultado tem
uma probabilidade de 1/8 de ocorrer.

A figura a seguir ilustra a associação existente entre resultados do

experimento
(no espaço amostral) e os valores assumidos pela variável
X.

Note
 O resultado zero caras, ocorre somente uma
vez

9
 O resultado 1 cara, ocorre três
vezes
 O resultado 2 caras, ocorre três
vezes
 O resultado 3 caras, ocorre somente uma
vez

Da definição de uma variável aleatória, X, tal como é definida neste

experimento,

1
0
10

é uma variável aleatória. Seus valores são determinados pelos resultados

do experimento.

Nota: A variável aleatória X é uma associação de pontos no espaço amostral

com pontos na recta dos números reais (0,1, 2,3). Na realidade, uma variável
aleatória é definida através de uma função em que o domínio é o conjunto
de todos os resultados possíveis do experimento e a imagem é o conjunto de
todos os valores assumidos pela variável aleatória. Note que a variável aleatória
não é resultado do experimento, mas sim um valor associado a este.

Tipos de variáveis
aleatórias

Existem variáveis aleatórias discretas e

contínuas.

Discretas: O número de valores assumidos por X for finito (ou

infinito), formados apenas por números inteiros.

Continuas: O número de valores assumidos por X é formado pelos números

de pontos de um segmento de recta.

Note que a classificação das variáveis, estudada na primeira unidade de

estatística I, não difere da classificação das variáveis aleatórias. Para
refrescar a sua memória, pegue numa esferográfica e classifique as
seguintes variáveis em discretas ou contínuas:

a) Número de dias chuvosos em um mês;

b) Peso dos alunos desta sala;
c) Precipitação diária medida no pluviómetro;
d) Número de disciplinas cursadas por aluno;
e) Número de alunos presentes na sala de aula;
f) Evaporação mensal de um açude;
g) Vazão em uma dada secção do rio;
h) Velocidade do vento;
i) Idade dos alunos de uma sala.

Exercícios de
fixação

Para testar se assimilou os conceitos acima estudados, pegue num papel e caneta
e responda as seguintes questões antes de consultar as respectivas soluções.

Exemplo
3
Numa urna há 7 bolas brancas e 4 bolas verdes. Cinco bolas são extraídas
dessa urna. Defina a variável aleatória (v.a.) X = número de bolas verdes. Quais
são os possíveis valores de X se as extracções são feitas:
(a) Sem reposição;
(b) com reposição.

Solução:
(a) Como há apenas 4 bolas verdes, os valores de X são 0, 1, 2, 3, 4. Note
que temos bolas brancas em quantidade suficiente para que X = 0 (isto é,
podemos tirar todas brancas).
11
(b) Se as extracções são feitas com reposição, em cada extracção podemos
tirar bola branca.
Logo, os possíveis valores de X são 0, 1, 2, 3, 4,
5.
Exemplo 4
Repita o problema anterior, supondo que a urna tem 4 bolas de cada cor.

Solução:
(a) Nesse caso, temos que ter pelo menos uma bola de cada cor. Logo,
os possíveis valores de X são 1, 2, 3, 4.
(b) Como antes, os valores de X são 0, 1, 2, 3, 4, 5.

Variáveis Aleatórias Discretas

Como afirmamos acima, uma variável pode assumir duas classificações,

discreta ou contínua. A melhor forma de explicar um conceito é
associarmos a algum exemplo real.

Um pequeno dado de seis lados, muito comum em jogos de tabuleiros, ele

é o melhor exemplo para uma variável aleatória discreta finita. Pois, todas
as vezes em que lançarmos o dado, ele sempre nos dará um "valor" inteiro.
Não existe a possibilidade que ele caia de "lado" nos dando um valor
surpreendente como
2,5555. O seu Espaço Amostral é {1,2,3,4,5,6} não havendo nenhum valor
intermediário.

Outro exemplo de variável aleatória discreta infinita, seria o número de carros

que passam numa avenida. Sabemos que passará uma infinidade de carros, no
entanto, nunca passará a metade de um carro, não haverá "fracções" no número
de carros. O resultado a princípio não é completamente conhecido, mas
sempre descritível com facilidade.

Distribuições Discretas de
Probabilidade

Uma distribuição de probabilidade é uma lista de todos os resultados de um

experimento e suas probabilidades associadas. De forma mais rigorosa, é
uma função matemática em que o domínio são os valores possíveis de uma
variável aleatória e a imagem são as suas probabilidades associadas.
Uma variável aleatória discreta assume cada um dos seus valores com uma
certa probabilid ade.

Para assimilar a ideia da distribuição de probabilidade de uma variável

aleatória discreta preste atenção no exemplo a seguir:

Exemplo 5: Tomemos como espaço de resultados  as famílias com 2

filhos.
 tem um nº finito de elementos que podemos enumerar
facilmente.

11
   MM , MR , RM , RR  R  rapaz , M 
rapariga

Pensemos na característica, nº de rapazes das famílias com 2 filhos.

Podemos tratar esta característica como uma função que a cada elemento de
 atribui um valor numérico. Assim, X(MM) =0, X(MR)=X(RM)=1 e
X(RR)=2 e passamos a

12
12

trabalhar num subconjunto de |R que é a imagem de  através de X.

X (  ) ={0, 1, 2}
13

À função X:   0 ,1 , 2   chamamos variável aleatória e designamos

R
abreviadamente por v.a.. Precisamos agora de saber calcular
probabilidades quando trabalhamos com esta função. Por exemplo, qual é a
probabilidade da
família ter " pelo menos um rapaz" ou P  X  1  ? Antes de mais temos de
seja
começar por atribuir probabilidades em  e só depois podemos responder a esta
pergunta.

Sabemos que P (Rapaz) =P (Rapariga) =0.5, então os 4 casos possíveis de 

têm igual probabilidade que é 1/4 para cada um, isto é, P (MM) =P (MR) =P
(RM) =P (RR) =. 25. Agora podemos calcular as seguintes probabilidades:

P(X=0) =P {MM} =0.25; P(X=1) =P {MR, RM} =0.5; P(X=2) =P {RR}

=0.25

Esquematicament
e

X 0 1 2

P(X) 0.25 0.5 0.25

E já podemos responder à pergunta feita

anteriormente

P (X≥1) =P {X=1 ou X=2} =P (X=1) +P (X=2) =P ({MR, RM})

+P({RR})=0.75=

=1- P( X<1)=1-P(X=0).

Note-se que
P(X=0)+P(X=1)+P(X=2)=1.

Exemplo 6: Determine a distribuição de probabilidade da variável aleatória

X:
”Número de caras em dois lances de uma moeda
equilibrada”.

Solução: lembre que, no lançamento de uma moeda, o espaço amostral é

dado por: S={CC, CK, KC, KK} (sendo, C=coroa e K=Cara) e X pode
tomar os valores X ={0, 1, 2}. Para determinar a função de probabilidade de X,
temos que calcular as probabilidades:

P(X=0) = P(CC) = 0.5 x 0.5 = 0.25

P(CC) = probabilidade de sair coroa na primeira moeda e coroa na

segunda moeda, sabendo que a probabilidade de sair coroa numa moeda de
2 faces é
½=0.5, então

P(CC) = P(C)xP(C)=0.5*0.5=0.25.
14

P(X=1) = P(CK) + P(KC)=0.5 x 0.5 + 0.5 x 0.5 = 0.5

Note que neste caso, a cara pode sair na primeira moeda que lançamos ou
na segunda, isto é, CK ou KC, então é necessário calcular as probabilidades de
CK e de KC e somar.

P(CK) = probabilidade de sair coroa na primeira moeda e cora na segunda

moeda, sabendo que a probabilidade de sair coroa numa moeda de 2 faces é
½=0.5, então P(CK) = P(C)xP(K)=0.5 x 0.5=0.25.
P(KC) = probabilidade de sair cora na primeira moeda e coroa na segunda
moeda, sabendo que a probabilidade de sair cora numa moeda de 2 faces é
½=0.5, então

P(KC) = P(K)xP(C)=0.5*0.5=0.25.

Portanto, P (X=1) = P(CK) + P(KC)=0.5 x 0.5 + 0.5 x 0.5 = 0.5

P(X=2) = P(KK) = 0.5 x 0.5= 0.25

P(KK) = probabilidade de sair cora na primeira moeda e cora na segunda

moeda, sabendo que a probabilidade de sair cora numa moeda de 2 faces é
½=0.5, então

P(KK) = P(K)xP(K) = 0.5*0.5= 0.25.

Calculadas as probabilidades de cada um dos valores de X, constrói-se a

tabela abaixo que pode estar na forma vertical ou horizontal

x f(x)

0 0,25

1 0,50

2 0,25

Total 1,00

n
Note que  f(xi)  1 , isto é o somatório das probabilidades de X=1, X=2 e X=
3,
i1
é igual a 1, com efeito, 0.25 +0.5+0.25 =1; e qualquer probabilidade é maior
ou
igual a zero e menor ou igual a
um.
Agora calcule a distribuição de probabilidades na experiencia aleatória:
Jogar 3 moedas e observar o resultado.
Solução
S:{(ccc)(cck)(ckc)(kcc)(kkk)(kkc)(kck)
(ckk)} X= número de caras (c)

Note que os valores de X esgotam todas as possibilidades, sendo que ∑P(X = x)

=
1.
Frequentemente é conveniente representar todas as possibilidades da v.a. X
por uma fórmula. Tal fórmula será necessariamente função dos valores de
13
X que denotamos por f(x), g(x), h(x) etc.

Assim, escrevemos que f(x) = P(X = x), ou seja, f(3) = P(x = 3). O conjunto
dos pontos ordenados (x, f(x)) é chamado de Função Probabilidade, Função Massa
de Probabilidade ou Distribuição de Probabilidade da variável
aleatória

14
14

discreta X.
Propriedades:
15

P(X
 x)  f (x)
0 
f (x)  1
n

 f ( xi )  1
i1

Considere o seguinte exemplo: Suponha um casal que planeja ter 3 crianças.

Eles estão interessados em saber o número de meninas que poderiam ter. Este
é um exemplo de uma variável aleatória, que representa o evento:

X = {número de meninas}

Os possíveis valores de X são X={0,1,2,3}, onde x=0, x=1, x=2 e x=3. A

probabilidade de X é chamada P(X) e a de x é p(x). No entanto, estas
possibilidades não são igualmente prováveis. Segundo uma pesquisa
americana, que diz que há 52% de probabilidade de nascer menino e 48%
de probabilidade de nascer menina, para cada nascimento. Considere a
Figura abaixo, que representa a árvore de probabilidade para uma família
de 3
crianças. Verifica-se a possibilidade de 8 combinações diferentes, que
consiste no chamado espaço amostral.

As probabilidades da árvore foram obtidas da seguinte forma:

P(HMH)=0.52*0.48*0.52=0.13. A variável aleatória X pode tomar 4

valores
diferentes, X={0,1,2,3}, cada um deles representando 0, 1, 2 e 3 meninas,
resultando nas probabilidades iguais a 0.14, 0.39, 0.36 e 0.11,
respectivamente,
como mostrado na tabela abaixo.

X p(x)

0 0.14
16

1 0.13+0.13+0.13=0.39

2 0.12+0.12+0.12=0.36
 3 0.11

A representação gráfica dessa distribuição é dada na figura abaixo.

Exemplo 7: Um par de dados é lançado. Seja X a variável aleatória que associa

a cada ponto (a,b) de S e a soma desses números, isto é, X(a,b) = a + b. Determine
a função de probabilidade de X.

O espaço amostral S é formado de 36 pares ordenados de números entre 1 e

6:
S= {(1,1), (1,2),.....,(6,6)}. Então, X é uma variável aleatória em S com o
contradomínio Rx ={2,3,4,5,6,7,8,9,10,11,12}.
Para facilitar a solução desse problema, vamos construir uma tabela de
duas entradas, onde cada dimensão representa o resultado de um dado e em cada
célula temos a soma das duas faces.

A função de probabilidade de X é a
seguinte:

Obtemos, por exemplo, p(X=4) = 3/36, pois (1,3), (2,2) e (3,1) e são os pontos
de
A cuja soma das componentes é 4. Então P(X = 4) = P({(1,3),(2,2),(3,1)})
=3/36

Função de Distribuição de
Probabilidades
A função distribuição acumulada (fda) descreve completamente a
distribuição da probabilidade de uma variável aleatória de valor real X. Para
15
cada número real x, a fda é dada por:

Onde o lado direito representa a probabilidade de que a variável X tome um

valor

16
16

inferior ou igual a x. A probabilidade de que X se situe num intervalo

(a, b] (aberto em a e fechado em b) é F(b) − F(a) se a ≤ b. É convenção
usar um F maiúsculo para a fda, em contraste o f minúsculo é usado para a
função da probabilidade.
Note-se que na definição acima, o sinal "menor ou igual", '≤' poderia
ser substituído por "menor" '<'. Isto produziria uma função diferente mas
qualquer uma das funções pode ser facilmente deduzida a partir da outra.
Também se poderia mudar para um sinal maior e deduzir as propriedades
desta nova função. A única coisa a lembrar é ajustar a definição ao sinal
pretendido.

Propriedade
s
1. F (-∞) = P(X ≤ -∞) = 0
2. F(+∞) = P(X ≤ +∞) = 1
3. P(a< X ≤b) =F(b)- F(a)

F(b) = P(x ≤ b)
F(a) = P(x ≤ a)
4. P(a ≤ x ≤b) = F(b) – F(a) + P(x = a)

5. P(a ≤ x < b) = F(b) – F(a) + P(x = a) – P(x = b)

6. P(a < x < b) = F(b) – F(a) – P(x = b)

Exemplo
8:
Experiência (E): Lançamento de 2
moedas
17
Espaço amostral: S = { (cc) (ck) (kc) (kk)

} X = n° de caras obtidas
a) Calcule a função de probabilidade.
 b) Calcule a probabilidade de sair pelo menos uma
cara. c) Calcule a função de distribuição da variável
X.
d) Construa os gráficos das funções acima.
Solução:
a) Função de Probabilidade
O caro estudante já aprendeu que para determinar a função de probabilidade de
X, é preciso calcular as probabilidades dos valores possíveis de X, isto é,
P(X=0), P(X=1) e P(X=2). E vimos anteriormente que essas probabilidades
são 1/4, 2/4,
1/4, respectivamente. Portanto, a função de probabilidade de X, é
representada a seguir:

b) A probabilidade de sair pelo menos uma cara é dada por:

p(x ≥ 1 )= p(x=1) + p(x=2) = 2/4 + 1/4
=3/4 c) Função de distribuição
Para determina r a função de distribuição é preciso calcular F(0), F(1) e F(2).
Com efeito,
F(0) = P(X ≤ 0) = 1/4
F(1) = P(X ≤ 1) = P(0) + P(1) = 1/4 + 2/4
=3/4
F(2) = P(X ≤ 2) = P(0) + P(1) + P(2) = 1/4 +2/4 +1/4
=1

Atenção!
A função de distribuição é definida não apenas para os valores assumidos
pela variável aleatória X, mas para todos os números reais.
Ou seja:
F(x) = 0 se x < 0
F(x) = 1/4 se 0 ≤ x < 1
F(x) =3/4 se 1 ≤ x < 2
F(x) = 1 se x ≥ 2

E representa-se da seguinte
forma:

d) Gráficos das
funções.
Função de probabilidade: Construído de forma que o ponto central é “x” e a
altura
é f(x)
17
18

Função de
distribuição

Exemplo 9. Seja X: "número de caras obtidas nos três lançamentos".

Vamos encontrar a função distribuição acumulada de X:

Os valores que X pode assumir são: 0,1,2 e

3.

Assim temos que a função de distribuição acumulada de X é dada

por

Esperança Matemática de uma Variável

Discreta
Em estatística a esperança matemática (também chamada esperança,
valor esperado, média populacional ou média) de uma variável aleatória X, é
o número que formaliza a ideia de valor médio de um fenómeno aleatório.
19
Quando a variável aleatória é discreta, a esperança tanto faz à soma
da probabilidade da cada possível acontecimento aleatório multiplicado pelo
valor de dito acontecimento. Portanto, representa a quantidade média que
se "espera" como resultado de um experimento aleatório quando a
probabilidade d e cada
acontecimento se mantém constante e o experimento se repete num
elevado número de vezes, isto é, para uma variável aleatória discreta
com valores possíveis , e suas probabilidades representadas
pela função de probabilidade p(x i) a esperança calcula-se como:

Exemplo 10. Dada a seguinte função de probabilidade de uma variável

aleatória discreta X:
X P(X = x)

1 0,10

2 0,15

3 0,25

4 0,25

5 0,15

6 0,10

Calcular o valor esperado de X.

Solução
N

E(x)  xi P ( X  xi )

i1

E (x)  
 1* 0,10  2 * 0,15  3* 0,25  4 * 0,25  5* 0,15  6 * 0,10  3,5

Note que o valor que toma a esperança matemática em alguns casos pode não
ser "esperado" no sentido mais geral da palavra - o valor da esperança
pode ser improvável ou inclusive impossível.
Exemplo 11. Em determinado sector de uma loja o número de produtos
vendidos em um dia pelos funcionários é uma variável aleatória P
com a seguinte distribuição de probabilidades (esses números foram obtidos
dos resultados de vários anos de estudo):

Número de 0 1 2 3 4 5 6
produtos
Probabilidade 0.1 0.4 0.2 0.1 0.1 0.05 0.05
de venda
Cada vendedor recebe comissões de venda, distribuídas da seguinte forma: se
ele vende até 2 produtos em um dia, ele ganha uma comissão de $10,00 por
produto vendido. A partir da terceira venda, a comissão passa para $50,00.
Qual é o número médio de produtos vendidos por cada vendedor e qual a
comissão média de cada um deles?

Solução:
O número médio de vendas por funcionário
é

19
E(P) = 0 × 0,1 + 1 × 0,4 + 2 × 0,2 + 3 × 0,1 + 4 × 0,1 + 5 × 0, 05 + 6 × 0, 05 =

20
20

2,05
Com relação à comissão, vamos construir sua fdp:

Número de 0 1 2 3 4 5 6
produtos
Comissão 0 10 20 70 120 170 220
Probabilidade 0.1 0.4 0.2 0.1 0.1 0.05 0.05
de venda

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 comissão média por dia de cada vendedor é $ 46,50.

Variância de uma Variável Aleatória Discreta

Se a variável aleatório X tem esperança matemática μ = E(X), define-
se a variância Var(X) (também representada como ou, simplesmente σ2 ) de
X como
21

 2   [( X   ) 2 P ( X )]

Desenvolvendo a definição anterior, obtém-se

Sendo que 2
E[x ]  
2
X P(X )

Para o exemplo anterior, temos

E(x 2 2 2 2 2 2 2
)  1 *0,10  2 *0,15  3 *0,25  4 *0,25  5 *0,15  6 * 0,10  14,3

Portanto, 2
var(x)  E (x )  
2
 14.3  3.5  2.05

Exemplo 12: Uma empresa especializa-se no aluguel de carros para famílias

que necessitam de um carro adicional para um período curto de tempo. O
presidente da empresa tem estudado seus registos para as últimas 20 semanas e
apresentou as seguintes função de probabilidade da variável aleatória:
número de caros vendidos por semana.

Número de Probabilidade
carros alugados P(X)

10 0,25

11 0,30

12 0,35
 13 0,10

Total 1,00
a) Calcule o número médio de carros alugados por semana.
Resposta:

  E ( X )   [ X . P ( X )]  (10 )  ( 0 , 25 ) (11 )  ( 0 , 30 )

 (12 )  ( 0 , 35 ) (13 )  ( 0 ,10 )  11 , 3

b) Calcule a variância do número de carros alugados por semana.
Resposta:

   [( X   ) . P ( X )] 
2 2

2 2 2
(10  11 , 3 )  0 , 25  (11  11 , 3 )  0 , 30  ...  (13  11 , 3 )  0 ,10  0 , 91

O desvio padrão é dado por:

2
    0,9135  0,9558

Note que podemos chegar ao mesmo resultado usando

2
a fórmula v a r ( x )  E ( x 2 )  
2
. Confirme o resultado calculando E (x )
Exemplo 13: Um lojista mantém extensos registos das vendas diárias de um
certo aparelho. O quadro a seguir dá a distribuição de probabilidades do
número de aparelhos vendidos em uma semana. Se o lucro é de $500,00
por unidade vendida, qual é o lucro esperado em uma semana? Qual é o
desvio padrão do lucro?

Solução:
Seja X: o número de aparelhos vendidos em uma semana e seja L o
lucro semanal. Então, L = 500X.
E (X) = 0 × 0,1 + 1 × 0,1 + 2 × 0,2 + 3 × 0,3 + 4 × 0,2 + 5 × 0,1 = 2, 7
E (X2 )= 02 × 0,1 + 12 × 0,1 + 22 × 0,2 + 32 × 0,3 + 42 × 0,2 + 52 × 0,1 = 10, 2

Var (X) = 10, 2 − (2, 7)2 = 2, 91

Desvio padrão de X = 1,
706

Em relação ao lucro semanal, temos que E (L) = 500 E (X) = $1350,

00
21
Desvio padrão P (L) = $852,
94.

22
22

Variável Aleatória Contínua

O nosso objectivo continua a ser o estudo de fenómenos (experiências)

aleatórios e medidas associadas a esses fenómenos, que representamos
por variáveis aleatórias (v.a.’s). Estudámos no capítulo anterior as variáveis
aleatórias discretas que assumiam apenas um número finito (ou infinito
numerável) de valores. No entanto, há algumas medidas físicas em que se
torna razoável tomar para valores das v.a.’s intervalos de valores reais
(infinitos ou finitos). Por exemplo, sejam
a) A corrente eléctrica que passa num fio de cobre;
b) O tempo de vida de uma
lâmpada. c) Peso de um estudante
d) Comprimento de um carro

Para estes exemplos, o número de valores possíveis das v.a.’s em estudo,

digamos que não é “contável”, ou muito dificilmente são caracterizadas por
um número finito de valores. Nestes casos, é razoável considerar que as
v.a.’s associadas tomam um número indeterminado de valores.

Função de Densidade de
Probabilidade

Lembre-se que uma variável aleatória contínua é uma variável que pode
assumir um número infinitamente grande de valores (com certas
limitações práticas). Deste modo, para este tipo de variáveis, que podem
tomar todos os valores num determinado intervalo de valores reais, vamos ter
de considerar distribuições de probabilidades diferentes das dadas nas v.a.’s
discretas. Mais concretamente, iremos descrever a probabilidade de uma v.a.
X que assume um valor no intervalo [a, b] através de uma função f,
convenientemente escolhida, como sendo a área limitada pelo eixo [a, b] e
pelo gráfico da função f (figura em baixo).

P(a<X<b)

a b

Probabilidade como área sob a curva entre dois pontos

Diferentemente de uma variável aleatória discreta, para uma variável

aleatória contínua não podemos definir uma função de distribuição de
probabilidade (f.d.p.). No entanto, podemos definir o que se chama de uma
função densidade de probabilidade para as variáveis aleatórias contínuas.

A diferença entre as distribuições contínuas e discretas é que as

distribuições discretas envolvem somas sobre uma função de
probabilidade descontínua enquanto a probabilidade para variáveis aleatórias
contínuas envolve integração sobre funções contínuas denominadas FUNÇÃO
23
DENSIDADE DE PROBABILIDADE, ou (FDPs). Convencionalmente, a FDP
para uma variável aleatória X é denominada f(x).
Para a variável aleatória contínua X que assume valores do conjunto dos
números reais há uma função matemática f(x) com as seguintes premissas:
 A função densidade de probabilidade f(x) é sempre positiva, para todo
x
pertencente a X: f(x)>0
 A área sob a função f(x) entre os limites menos infinito e mais infinito
da

variável aleatória contínua X é igual a um ou 100%:
 f (x)d(x)  1


 A probabilidade da variável aleatória contínua X dentro do intervalo (a,

b) com ambos limites incluídos é medida pela área definida pela
função f(x) entre os limites a e b:
b
P(a  x  b)   a
f (x) dx

Um ponto f(x) da função densidade não é a probabilidade do valor x da variável

aleatória X, pois, por exemplo, o ponto f(x=a) da função densidade é zero.

Como deve-se representar os limites do cálculo da probabilidade de uma

variável aleatória contínua dentro do intervalo (a, b), P(aXb) ou
P(a<X<b)? As duas representações podem ser utilizadas, incluindo a
representação com limites mistos, por exemplo: P(aX<b) ou
P(a<Xb)! Conclusão: P(a≤ X≤ b)=
P(a<X≤ b)= P(a≤ X<b)=
P(a<X<b).

Toda função que satisfizer essas propriedades, chamaremos de função

densidade de probabilidade. Essa função é apenas um instrumento
matemático para que possamos calcular probabilidades para variáveis
aleatórias contínuas (assim como utilizamos a função distribuição de
probabilidade para as variáveis aleatórias discretas).

Dessa forma, podemos calcular a probabilidade para qualquer intervalo sendo

esta probabilidade o valor da integral definida da função densidade de pro
babilidade sendo que os limites de integração são as extremidades do
intervalo. De uma forma geral, podemos dizer que se f(X) é a função
densidade de probabilidade de uma variável aleatória contínua, então:

b
P(a  X  b )   f ( X ) dx
a

Lembre que o , significa integral de x em função a x. O

 f ( x )d x
símbolo caro
estudante aprendeu, certamente, a calcular integrais na disciplina de
matemática. O que deve fazer nesta fase é recordar-se de algumas regras
de integração calculando os seguintes integrais:

2 1 2

a)  ; b)
9

 xdx
23
 dx x 4 dx
2
x
dx xf)2
x dx ; c) e)   2


Exemplo 14: seja X uma variável aleatória contínua com a seguinte função:

24
24
25

2x par
0  x 1
af (x)  
0 caso contrario

a) Mostre que f(x), é uma função de

densidade b) Calcule a probabilidade p(1/4
<x <3/4)

Solução: para mostrar que f(x) é uma função de densidade, temos que
mostrar que f(x) cumpre as seguintes propriedades:
 A função densidade de probabilidade f(x) é sempre positiva, para todo
x
pertencente a X: f(x)>0
 A área sob a função f(x) entre os limites menos infinito e mais infinito
da

variável aleatória contínua X é igual a um ou 100%:
 f (x)d(x)  1


A primeira propriedade cumpre-se porque qualquer valor da função no

intervalo
(0,1) é positivo. Isto é, f(x)>0 (0, 1)

Para verificar se f(x) cumpre com a segunda propriedade, temos que

demonstrar

que  f (x)d(x)  1 . Mas como a função está definida no intervalo (0, 1),
temos


1
que mostrar  f (x)d(x)  1. Com efeito,
0
que
1
2
1  x  1


2 2 2
2xdx  2    x  0  1  0 1
 2 0
0

Portanto, f(x) é uma função de densidade.

3/4 2 2
2
3/4
 x  3/4
 3   1 
b) p (1 / 4  x  3 / 4 )   2xdx  2 
2
  x         8 /16  0.5
 2 1/4  4  4 
1/4 1/4

Exemplo 15: dada a função de densidade:

2
 cx 0  x  3
f (x)  
0 caso contr a rio

a) Determine a constante c tal que a função f(x) seja uma função de densidade.

b) P (1  X  2 )
Calcule

Resolução se
a) Como a f(x) satisfaz a propriedade 1
26

c  0 , ela precisa também de

satisfazer a propriedade 2 para ser uma função densidade. Então

3
3
 3 cx
e como esta integral deve ser igual a
2
f ( x ) dx  cx dx   9c
 

1,
0
3
0

1
temos c 
9
 2
3
2 1 2 x 8 1 7
P (1  X  2 )  x dx    

1
9 27 27 27 27
1

Exemplo 16:

Se a função densidade de probabilidade da variável aleatória contínua é dada

por

 c
 para 0  X  4
f (x)   x

0 em qualquer outra parte

a) Qual é o valor de c ?

b)

Resolução:
4
4 c 4 dx 1
a)  dx  c
  c(2 x)  4c como 4c  1  c 
0 4
0 0
x x 4
1 1
4 dx
b) P ( X  1)  
1
 1 / 2 x 
1
( 4  1) 
4 x 2 2

Função de Distribuição de uma Variável Aleatória

Contínua
A função probabilidade acumulada de uma variável aleatória X associa a
cada valor possível de X a probabilidade deste valor ser menor ou igual a x.
A função de distribuição de uma variável aleatória contínua é denotada por
F(x).
x

F (x)  P(X  x)  f (t)dt




Exemplo 18. Seja X uma variável aleatória contínua (v.a.c.) com a seguinte
f.d.p.:
1
 x 0  x  2
f (x)  2
 caso contrario
0
Encontre a F(x) (função de distribuição acumulada)
Solução:

Você tem que integrar f(x) de menos infinito até mais infinito
x

25
F (x)  P(X f (t)dt
 x) 



Mas como o importante está entre 0 e 2 basta integrar nesse intervalo.

26
26

x 2 x
2
1 t  x
27

F (x)  P(X  x)  tdt    

 2
0  4 0 4
A resposta fica assim

0 x  0
 2
x
F (x)   0  x  2
4

1 x  2


Fica assim pois para x <0, f(x) = 0 por tanto F(x)=0 e para x > 2, F(x) =1,
pois toda as probabilidades já estão concentrada nos intervalo [0, 2]

Média de uma Variável Aleatória

Contínua
Seja X uma variável aleatória contínua com função densidade de
probabilidade f
(x), definimos o valor esperado, esperança matemática ou média de X
por

desde que a integral esteja bem

definida.
Observação: 1) Se a variável é limitada, o cálculo é feito sem ambiguidade
e a existência do valor esperado está assegurada. No caso não limitado,
podem aparecer situações indefinidas do tipo , em que diremos que a
esperança não existe. Assim, temos que E(X) vai estar bem definida se a
integral, em pelo menos um desses intervalos, for finita; isto é

2) A interpretação de E(X) para o caso contínuo é similar ao mencionado

para variáveis aleatórias discretas.

Exemplo 19. Seja X o tempo (em minutos) durante o qual um

equipamento eléctrico é utilizado em carga máxima, em um certo
período de tempo especificado. Então, X é uma variável aleatória contínua e
sua fdp é dada por

Calcular a esperança de
28

X.
Variância de Variáveis Aleatórias
Contínuas
Suponhamos que, para uma variável aleatória X, verificamos que E(X) = 2.
Qual é o significado disso? Como vimos acima, significa que se
considerarmos um grande número de determinações de X, digamos x1 , ... ,
xn , ao calcularmos a média desses valores de X ela estará próxima de 2, se n
for grande.

Suponhamos, por exemplo, que X representa a duração de vida de lâmpadas

que estão sendo recebidas de um fabricante, e que E(X) = 1000 horas. Isto
pode significar que a maioria das lâmpadas deve durar um período de
tempo compreendido entre 900 horas e 1100 horas. Poderia significar
também que as lâmpadas são formadas por dois tipos muito diferentes: cerca
da metade são de boa qualidade e durarão aproximadamente 1400 horas,
enquanto que a outra metade são de má qualidade e durarão aproximadamente
600 horas.

Assim, existe uma necessidade óbvia de se introduzir uma medida que

possa distinguir entre essas duas situações.

Seja X uma variável aleatória, definimos a variância de X, denotada por

Var(X)
ou σ2 por

A raiz quadrada positiva de Var(X) é denominada por desvio-padrão de

X, denotado por σ.

Observação: O número Var(X) é expresso por unidades quadradas de X, isto é,

se
X for medido em horas, então Var(X) é expressa em
(horas)2 .

O cálculo de Var(X) pode ser simplificado com o auxílio do seguinte

resultado:

Exemplo 20: Suponhamos que X seja uma variável aleatória contínua com
fdp

Calcule
Var(X).

Temos
que

27
e

Portanto, temos
que

28
29
30
31
32
33
34
35
36
28
 2
x
 1  X  2
Exemplo 21: Dada a f (x) 
função  3
0 em caso contr a rio

a) Calcular a
E(X)
b) 2
 (x)
Calcular
Resolução
2
2 4
2 x 1 2 1 x 4 1 15
a) E(x)   X  dx  
3
x dx      1 . 25
1
3 3 1
3 4 3 12 12
1

b) Para  primeiro
(x) vamos
calcular calcular
2

2
x 3
 =
2
E x
2

1
x
2
 dx   2.2 Logo
3 15

    E (x)
2 2 2
 (x)  E x
2 2
 (x)  2 . 2  (1 . 25 )  0 . 6375

E o desvio padrão será: (x)

 0 . 6375  0 . 7984

Sumário da Unidade
Nesta unidade, você aprendeu a identificar e calcular as probabilidades
utilizando o conceito das variáveis aleatórias e determinar as grandezas
estatísticas associadas tais como o valor esperado, variância e interpretar os
resultados com vista a sua aplicação no mundo realístico;

Resumindo os principais conceitos, podemos dizer que uma variável

aleatória é uma variável (usualmente representada por X) que toma um certo
valor numérico, determinado pelo acaso, de cada vez que a experiência é
realizada. A variável aleatória associa números aos acontecimentos do espaço
dos resultados possíveis.
Dependendo dos valores numéricos, as variáveis aleatórias podem ser discretas
ou contínuas. Uma variável aleatória discreta toma um número finito ou
infinito numerável de valores enquanto que uma variável aleatória contínua
toma um número infinito não numerável de valores, os quais podem ser
associados com medidas numa escala contínua.

Uma distribuição de probabilidade permite calcular a

probabilidade correspondente a cada valor ou conjunto de valores da variável
aleatória.

Existem duas funções associadas a cada variável contínua X: a

função probabilidade, simbolizada por f(x), e a função cumulativa de
probabilidade, ou função de distribuição de probabilidade, representada por
F(X).

29
30

30
31
32

32
33
34
  0, outro caso
a) Determine o valor de c para que f(x) seja fdp.
b) Calcule a probabilidade de encontrar uma pes soa com
renda acima de
1 unidade monetária.
c) Escreva a função de distribuição de probabilidades.
d) Qual é a renda média nesta localidade?