Variáveis Aleatórias e Distribuições de Probabilidade 70

Capítulo 4

4. Variáveis Aleatórias e Distribuições de Probabilidade

4.1. Conceitos Básicos

Em experimentos aleatórios há o interesse em associar aos resultados possíveis valores
numéricos. Em alguns casos os resultados possíveis já são descritos numericamente. Entretanto, em
muitas outras situações, os resultados do experimento não estão expressos numericamente.
Uma variável aleatória (v.a.) ( ) associa um valor numérico ( ) a cada resultado
elementar de um experimento aleatório, ver Figura 4.1.

Figura 4.1 - Representação esquemática de uma variável aleatória X.

Exemplo 4.1 - Considere o lançamento de uma moeda honesta duas vezes. Um espaço amostral
associado a este experimento é dado por: Ω = { ̅ ̅, ̅ , ̅, }, onde = cara , ̅ = coroa.
Seja X = no de caras obtidas nos dois lançamentos. Então,
( ̅ )̅ = 0 , ( )̅ = ( ̅ ) = 1 e ( ) = 2.
Devemos observar que X é uma variável aleatória (v.a.) que assume os valores: 0, 1, 2.
Resumidamente, = 0, 1, 2.

DEFINIÇÃO 4.1: Uma variável aleatória é uma função X que associa a cada elemento ∈ Ω um
número real ( ) .

Apresentamos a seguir alguns exemplos de variáveis aleatórias.

Variáveis Aleatórias e Distribuições de Probabilidade 71

Exemplo 4.2 - Algumas v. a.’s discretas e contínuas:

X1 = Número de peças defeituosas entre n peças fabricadas de uma linha de produção.
X2 = Número de veículos que passam por um cruzamento de uma rodovia entre 16 e 18
horas.
X3 = Tempo de vida em horas de um componente eletrônico.
X4 = Nível de água em uma represa num dado instante.
X5 = Consumo diário de energia elétrica numa cidade.

DEFINIÇÃO 4.2: Uma variável aleatória X é discreta se o número de valores possíveis de X é finito
ou infinito enumerável.

DEFINIÇÃO 4.3: Uma variável aleatória X é contínua se X tem como valores possíveis qualquer
ponto num intervalo da reta real.

Note que as variáveis aleatórias X1 e X2 do Exemplo 4.2 são discretas, assumindo os valores:
x1 , x2 , xn , ... . Então, ao escrevermos
X1 = 0, 1, 2, ... , n
e
X2 = 0, 1, 2, ...., n, ... ,
significa que X1 e X2 tem como conjunto de valores possíveis {0, 1, 2, . . . , } e {0, 1, 2, . . . , , . . . }.
Enquanto as variáveis aleatórias X3 , X4 e X5 do Exemplo 4.2 são contínuas assumindo valores em
ℝ .

4.2. Função de Probabilidade

DEFINIÇÃO 4.4: A função de probabilidade de uma v.a. discreta X assumindo os valores x1 , x2 , ...
, é uma função p(xi) = P(X = xi), que satisfaz:

(i) p( xi ) ≥ 0 , para todo xi , (4.1)

∞
(ii) ∑ p( x ) = 1 .
i =1
i (4.2)
Variáveis Aleatórias e Distribuições de Probabilidade 72

A função de probabilidade de uma v.a. discreta X assumindo um conjunto finito de valores

x1 , x2 , ..., xk pode ser representada por uma tabela, como mostra a Tabela 4.1.

TABELA 4.1 - Função de Probabilidade de uma v.a. discreta X.

= ( )
x1 p(x1)
x2 p(x2)
M M
xk p(xk)

∑ 1

O conjunto de pares ( , ( )) é também denominado distribuição de probabilidade da v.a.

discreta X . Uma v.a. discreta pode ainda ser representada graficamente por um gráfico em colunas,
ver Figura 4.2.

Exemplo 4.3 - A Figura 4.2 apresenta a distribuição de probabilidade de uma v.a. X representando o
número de caras em 3 lançamentos de uma moeda honesta.

p(x)
0,40

0,35

0,30

0,25

0,20

0,15

0,10

0,05

0,00
x
0 1 2 3

Figura 4.2 - Distribuição de probabilidade da v.a X do Exemplo 4.3.

Variáveis Aleatórias e Distribuições de Probabilidade 73

Definição 4.5 - Um processo de provas ou de ensaios de Bernoulli é uma sequência de repetições

independentes de um experimento aleatório tais que
(i) Em cada repetição há dois resultados possíveis, que podemos chamar de ={ } e
̅ = { !" " }.
(ii) As probabilidades = #( ) e $ = 1 − = #( ̅) em cada repetição são constantes.

Seja uma v.a com valores possíveis, 0, 1 para todo & = 1, … , . Seguindo a Definição 4.5,
podemos associar #( = 1) = #( ) = , e #( = 0) = 1 − #( ) = 1 − . Neste caso, a v.a
tem distribuição de Bernoulli com função de probabilidade

#( = ) = (
(1 − ))*( , = 0, 1. (4.221)
Note que,

, #( = ) = , (
(1 − ))*( = + (1 − ) = 1 .
( (-.

Em geral é atribuído ao { } o valor 1 e ao { !" " } o valor 0. Um exemplo

clássico da v.a. de Bernoulli é o experimento de lançar uma moeda uma ou mais vezes e registrar a
face voltada para cima. Podemos definir sucesso como a ocorrência de qualquer uma das faces em
cada lançamento, suponha cara. Então,

1, !! ! "!" ; 2
=0
0, !! ! ! " .

Um caso particular do Exemplo 4.3 é a v.a. de Bernoulli. A Figura 4.2b mostra o gráfico da
distribuição de probabilidade de uma v.a. Bernoulli com parâmetro = 0.6.
Variáveis Aleatórias e Distribuições de Probabilidade 74

Figura 4.2b - Distribuição de probabilidade de uma Bernoulli com parâmetro .

Usamos a notação X ~ Bernoulli(p) para indicar que a v.a. tem distribuição de Bernoulli com
parâmetro p.

4.2.1. Determinação Empírica de uma Distribuição de Probabilidade

Uma aproximação da distribuição de probabilidade de uma variável aleatória discreta X é
dada considerando as frequências relativas como estimadores empíricos das probabilidades
associadas a cada valor numérico da v.a. X.

Exemplo 4.4 - Seja X uma v.a. representando o número de livros retirados na principal biblioteca de
uma universidade por um estudante no mês de julho do ano de 2015. Considerando uma amostra
aleatória de 500 estudantes, construiu-se a distribuição de frequências da Tabela 4.2.

TABELA 4.2 - Distribuição de frequências de uma amostra aleatória

de tamanho 500 da v.a. X do Exemplo 4.4.

0 Frequência Frequência
N de livros (xj)
(fj) relativa (frj )
0 50 0,100
1 141 0,282
2 159 0,318
3 100 0,200
4 35 0,070
5 10 0,020
6 0 0,000
7 5 0,010

Σ 500 1
Variáveis Aleatórias e Distribuições de Probabilidade 75

Então, consideram-se as frequências relativas da Tabela 4.2 como estimadores empíricos das
probabilidades (aproximação da distribuição de probabilidade da v.a. X).

4.3. Função Densidade de Probabilidade

DEFINIÇÃO 4.5: A função densidade de probabilidade (fdp) de uma variável aleatória contínua X é
uma função que satisfaz as seguintes condições
(a) f ( x) ≥ 0 ;
+∞
(b) ∫−∞ f ( x)dx = 1 . (4.3)

A probabilidade de uma variável aleatória X contínua pertencer a um intervalo (a , b], é dada por:

b
P(a < X ≤ b) = ∫ f ( x)dx = F (b) − F (a) . (4.4)
a

Graficamente:

Figura 4.4 – P ( a < X ≤ b) .

Note que, na Figura 4.4,

P ( a < X ≤ b ) = P ( X ≤ b) − P ( X < a ) = F (b ) − F ( a ) .
Além disso,
b
P (a ≤ X < b) = P (a < X ≤ b) = P (a < X < b) = P (a ≤ X ≤ b) = ∫ f ( x)dx . (4.5)
a

Exemplo 4.5 - Suponha que a v.a. X seja contínua, e sua fdp f seja dada por:
Variáveis Aleatórias e Distribuições de Probabilidade 76

2 x , 0 < x < 1
f ( x) = 
0 , para quaisquer outros valores.

Note que,
+∞ 1
∫−∞ f ( x)dx = ∫0 2 x dx = 1
e

1/ 2 1/ 2
P (1 / 3 ≤ X < 1 / 2) = ∫1 / 3 2 x dx = x 2 = 5 / 36 .
1/ 3

Podemos ter interesse em calcular a probabilidade condicionada

1/ 2
P[( X ≤ 1 / 2) | (1 / 3 ≤ X ≤ 3 / 4)] =
P (1 / 3 ≤ X ≤ 1 / 2)
=
∫1/ 3 2 xdx = 4 / 13 .
P (1 / 3 ≤ X ≤ 3 / 4) 3/ 4
∫1/ 3 2 xdx

Algumas formas possíveis de uma função densidade de probabilidade estão apresentadas na Figura
4.5.

Figura 4.5 - Algumas formas de uma função densidade de probabilidade de uma v. a. contínua.

4.3.1. Determinação Empírica de uma Função Densidade de Probabilidade

Uma aproximação de uma fdp de uma v.a contínua X é dada por um histograma das
frequências relativas ( frj ) dos valores observados da v.a X classificados em k categorias. Os
Variáveis Aleatórias e Distribuições de Probabilidade 77

estimadores empíricos das probabilidades associadas a cada categoria são dados por frj
j = 1, 2 , K , k .

Exemplo 4.6 - Suponha uma amostra aleatória da v.a. tempo de recorrência de uma doença (T) (em
semanas) de 60 indivíduos. Um resumo gráfico do conjunto de dados é fornecido pelo histograma
da Figura 4.6.

Figura 4.6 - Histograma do tempo de recorrência de uma doença em semanas de 60

indivíduos e densidade proposta (linha contínua). Note que o histograma foi construído
com área igual a 1.

4.4. Função de Distribuição Acumulada

Um modo alternativo de descrever uma distribuição de probabilidade de uma v.a. X é
especificar uma função F chamada função de distribuição acumulada, ou simplesmente função de
distribuição ou função acumulada do seguinte modo

F ( x) = P( X ≤ x) . (4.6)

DEFINIÇÃO 4.6: (a) Se X for uma v.a. discreta, então

F ( x) = ∑ p( x j ) , xj ≤ x (4.7)
j
Variáveis Aleatórias e Distribuições de Probabilidade 78

(b) Se X for uma v.a. contínua com fdp f(x), então

x
P ( X ≤ x ) = F ( x) = ∫ f (t )dt . (4.8)
−∞

Exemplo 4.7 - Seja X uma v.a. discreta com função de probabilidade dada pela Tabela 4.3.

TABELA 4.3: p(x) = P(x = x).

X=x 0 1 2 ∑
p(x) 1/3 1/6 1/2 1
Então:
F(x) = 0 , se x < 0
= 1/3 , se 0 ≤ x < 1
= 1/2 , se 1 ≤ x < 2
=1 , se x ≥ 2 .

A representação gráfica de F(x) é dada na Figura 4.7

Figura 4.7 - Função de distribuição acumulada da v.a X do Exemplo 4.3.

Exemplo 4.8 - Continuação do Exemplo 4.5. Seja X uma v.a. contínua com fdp
f(x) = 2x , 0 < x < 1.
= 0 , para os outros valores de x.
Variáveis Aleatórias e Distribuições de Probabilidade 79

Portanto, a função acumulada da v.a X, F(x) é dada por:

F(x) = 0 , se x ≤ 0
= x2 , se 0 < x < 1
= 1 , se x ≥ 1 .

Figura 4.8 - Função de distribuição acumulada da v.a. X do Exemplo 4.8.

Se a e b são dois números reais tais que a < b , as seguintes propriedades sobre F(x)
podem ser verificadas:
(i) Se X for contínua, F(x) será contínua ∀ x.
(ii) P(a < X ≤ b) = P( X ≤ b) − P( X ≤ a) = F (b) − F (a) .

(iii) A função F é não decrescente. Isto é , se x1 ≤ x2 , então F(x1) ≤

F(x2).
(iv) F ( −∞) = 0 e F (+∞) = 1.

TEOREMA 4.1: (a) Seja F(x) a Fd de uma v.a. contínua com fdp f(x), então,
d
f ( x) = F ( x) , ∀ x no qual F seja derivável. (4.9)
dx
(b) Seja X uma v.a. discreta, com valores possíveis ) , 5 , ⋯, e que ) <
5 < ⋯ Seja F(x) a distribuição acumulada de X. Então:

8 9 : = #8 = 9: = ;8 9 : − ;8 9*) :. (4.10)
Variáveis Aleatórias e Distribuições de Probabilidade 80

TEOREMA 4.2: Seja X uma variável aleatória contínua com fdp f. Suponha-se que Y = H(X) seja
uma função de X estritamente monótona (ou crescente ou decrescente). Admita-se que essa função
seja derivável (e portanto, contínua) para todo X. Então, a v.a. Y, definida como Y = H(X) possui
fdp fY dada por

dx
f Y ( y) = f X ( x) , (4.11)
dy
sendo que, x é expresso em termos de y.

PROVA: Supondo que H seja uma função estritamente crescente,

;< (=) = #(> ≤ =) = #(@( ) ≤ =) = #8 ≤ @ *) (=): = ;A [@ *) (=)] .

Então,
D;< (=) D;< (=) D
= ,
D= D D=

sendo que = @ *) (=). Logo,

D;( ) D D
E F (=) = = ( ) . ∎
D D= D=

Exemplo 4.9 - Suponhamos que X tenha fdp.

f(x) = 2x , 0 < x < 1,
= 0, para outros valores.
Seja H(X) = 3X + 1 ,ver Figura 4.9.

Figura 4.9 - Gráfico de Y= 3X + 1.

Para obter a fdp de Y = H(X) teremos

; < ( y ) = P(Y ≤ y ) = P(3 X + 1 ≤ y ) = P( X ≤

y −1 ( y −1) / 3
)=∫ 2 xdx = [( y − 1) / 3]2
3 0
Variáveis Aleatórias e Distribuições de Probabilidade 81

Desde que f(x) > 0 para 0 < x < 1, encontramos que fY(y) > 0 para 1 < y < 4.

Por isso, fY(y) = 2 [(y – 1) / 3] (1/3) = (2/9)(y – 1), 1 < y < 4.

Outra forma para determinar fY(y) é dada pela aplicação do Teorema 4.2
Temos f(x) = 2x, 0 < x < 1, e y = 3x + 1. consequentemente, x = (y – 1) /3 e
dx/dy = 1/3. Logo,
fy(y) = 2 [(y – 1) / 3] (1/3) = (2/9)(y – 1), 1 < y < 4, o que confirma o resultado obtido
anteriormente.

4.5. Valor Esperado de uma Variável Aleatória

DEFINIÇÃO 4.7: O valor esperado ou esperança matemática ou média de uma v.a. X é dado por:

HA = I ( ) = ∑ ( ), se é uma v.a discreta (4.12)

=
+∞

∫ x f ( x)dx
-∞
, se X é uma v.a. aleatória contínua , (4.13)

em que, p(x) e f(x) são respectivamente a distribuição e a densidade de probabilidade da v.a. X.

Exemplo 4.10 - Seja X o resultado obtido no lançamento de um dado honesto. A função de

probabilidade da v.a. X é representada graficamente pela Figura 4.10, ou pela expressão

)
#( = ) = K , = 1,2, ⋯ ,6.

Logo,
E(X) = 1/6(1 + 2 + 3 + 4 + 5 + 6) = 7/2 = 3,5.
Variáveis Aleatórias e Distribuições de Probabilidade 82

Figura 4.11 - Função de probabilidade da v.a. X do Exemplo 4.10.

Exemplo 4.11 - Suponha que a função densidade de probabilidade de uma v.a. X seja dada por:
1
 x , 0 < x < 2,
f ( x) =  2
0 , em caso contrário.

O Valor esperado de X é então:

+∞ 2
1
E(X) = ∫ x f ( x)dx = ∫ x( 2 x)dx = 4/3.
−∞ 0

4.5.1. Propriedades do Valor Esperado

(i) Se X = C , onde C é uma constante. Então, E(X) = C.

(ii) Suponha que C é uma constante e X uma v.a. Então, E(CX) = CE(X).
(iii) Sejam X e Y duas v.a.’s. Então, E(X + Y) = E(X) + E(Y).
(iv) Sejam X1 , X2 , ... , Xn n v.a.’s. Então, E (X1 + X2 + ... + Xn) = E(X1) + ... + E(Xn)
(v) Suponha que X e Y sejam variáveis aleatórias independentes. Então, E(XY) =
E(X)E(Y).

4.6. Variância de uma Variável Aleatória

A variância de uma v.a. é uma medida de dispersão dos valores possíveis da v.a. em relação
à sua esperança matemática.
Variáveis Aleatórias e Distribuições de Probabilidade 83

DEFINIÇÃO 4.8: A variância de uma v.a. X, denotada por σ 2X ou Var(X), é dada por

L"!( ) = I( − HA )5 , (4.14)

sendo que HA = I( ), MA5 ≥ 0. Se a v.a. X é discreta, assumindo valores x1 , x2 , ..., temos que

I( ) = ,( − HA )5 #( = ) (4.15)
-)

Se a v.a. X é contínua,

R
L"!( ) = Q ( − HA )5 ( )D . (4.16)
*R

Outra forma de escrever a variância de uma v.a. X é dada por:

L"!( ) = I( 5)
− HA 5 . (4.17)

DEFINIÇÃO 4.9: A raiz quadrada da variância de uma v.a. X, denotada por MA , denomina-se desvio
padrão de X (MA = TL"!( ) ) .

4.6.1. Propriedades da Variância

1. Se a for uma constante e X uma v.a.,

(i) Var(a+X) = Var(X) ; (4.18)
(ii) Var(aX) = a2 Var(X) . (4.19)

2. Se X e Y são v.a's independentes, então:

Var(X + Y) = Var(X) + Var(Y). (4.20)

Exemplo 4.12 - Se X1, X2, ..., Xn forem repetições independentes de uma v.a. X associadas a um
experimento aleatório, então:
Variáveis Aleatórias e Distribuições de Probabilidade 84

Var(X1 + X2 +...+ Xn) = Var(X1) + Var (X2) + ... + Var(Xn). (4.21)

Exemplo 4.13 - Considere a distribuição de probabilidade da v.a. X dada na seguinte tabela

TABELA 4.4: Cálculo da Média e da variância de uma v.a. discreta X.

2 2
x p(x) xp(x) ( x -µ ) ( x -µ ) ( x - µ ) p(x)

0 0,1 0 -2 4 0,4
1 0,2 0,2 -1 1 0,2
2 0,4 0,8 0 0 0
3 0,2 0,6 1 1 0,2
4 0,1 0,4 2 4 0,4

∑ 1 µ =2 0 Var(X) = 1,2

Para calcular a variância Var(X) podemos usar a fórmula alternativa:

∑ ( ) − HA 5 , ! V" W. ". D& ! X";

5
2
L"!( ) = U
(4.22)
Y*∞
∞ 5 ( )D − HA , 5 for uma v. a. contínua.

sendo que, H = I( ).

Em muitas situações é conveniente converter os valores de uma variável aleatória X para

uma escala padronizada, na forma Z = (X - µ )/ σ . Assim, E(Z) = 0 e Var(Z) = 1.

4.6.2. Desigualdade de Chebyshev

TEOREMA 4.3: Seja X uma v.a., com E ( X ) = µ . Então, para qualquer ε > 0 , temos

Var( X )
P[| X − µ | ≥ ε ] ≤ . (4.23)
ε2

PROVA: Seja X uma v.a. contínua, então

P[| X − µ | ≥ ε ] = ∫ x:| x − µ | ≥ε f ( x ) dx

1
Observar que | X − µ |≥ ε é equivalente a 2
( X − µ ) 2 ≥ 1 . Consequentemente,
ε
Variáveis Aleatórias e Distribuições de Probabilidade 85

P[|X − μ| ≥ ε] = ∫ x:|x − μ|≥ ε f(x)dx

+∞(x − μ) 2 1
≤∫ 2
f(x)dx = 2 Var(X) .
−∞ ε ε

No caso em que X é uma v.a. discreta a prova segue de modo análogo. ■

TEOREMA 4.3.2 Lei dos Grandes Números (Formulação de Bernoulli). Considere um

experimento aleatório ℰ repetido independentemente vezes. Seja um evento associado a ℰ e
sejam # o número de vezes em que ocorra nas repetições, e f =# / . Seja #( ) =
constante em todas as repetições de ℰ . Então para todo h > 0,

(1 − )
#[| f − | ≥ h] ≤ . (4.23 − b)
h5

PROVA: A prova segue diretamente da desigualdade de Chebyshev. ■

Note que a expressão (4.23 − b) pode ser reescrita na forma

(1 − )
#[| f − | < h] ≥ 1 − . (4.23 − c)
h5

Decorre imediatamente da expressão (4.23 − c) que

limO→R #[| f − | < h] = 1 para todo h > 0.

4.7. Variáveis Aleatórias Bidimensionais

4.7.1. Distribuição Conjunta de V.A.'s Discretas

Na maioria das vezes, ao descrever os resultados de um experimento, atribuímos a um

mesmo ponto amostral os valores de duas ou mais variáveis aleatórias. Iremos nos concentrar no
estudo de um par de variáveis aleatórias. Os conceitos apresentados estendem-se facilmente ao
conjunto formado de um número finito de variáveis aleatórias. O desenvolvimento será feito para
Variáveis Aleatórias e Distribuições de Probabilidade 86

variáveis discretas, e nos limitaremos a indicar brevemente como a extensão para variáveis
contínuas, pode ser feita.

Exemplo 4.14 - Suponha que estamos interessados em estudar a composição de famílias com 3
crianças, quanto ao sexo. Sejam X, Y e Z v.a’ s. definidas da seguinte forma

X = número do meninos;

1, se o primeiro filho é homem

Y= 
0, se o primeiro filho é mulher

Z = número do vezes em que houve a variação do sexo entre um nascimento

e outro, dentro de uma mesma família.

Com estas informações, e supondo que as possíveis composições tenham a mesma

probabilidade, obtemos a Tabela 4.5 onde, por exemplo, o evento HMH indica que o primeiro filho
é homem, o segundo é mulher e o terceiro é homem.

TABELA 4.5: Distribuição conjunta das v. a.’s X, Y e Z.

Eventos Probabilidade X Y Z
HHH 1/8 3 1 0
HHM 1/8 2 1 1
HMH 1/8 2 1 2
MHH 1/8 2 0 1
HMM 1/8 1 1 1
MHM 1/8 1 0 2
MMH 1/8 1 0 1
MMM 1/8 0 0 0

Para cada uma das variáveis X, Y e Z, temos as respectivas distribuições de probabilidades:

TABELA 4.6: Distribuição de probabilidade da v.a. X.

X 0 1 2 3

p(x) 1/8 3/8 3/8 1/8

Variáveis Aleatórias e Distribuições de Probabilidade 87

TABELA 4.7: Distribuição de probabilidade da v.a. Y

Y 0 1

P(y) 1/2 1/2

TABELA 4.8: Distribuição de probabilidade da v.a. Z

Z 0 1 2

p(z) 1/4 1/2 1/4

Uma maneira muito utilizada para representar a distribuição conjunta é através de tabelas de
dupla entrada. Na Tabela 4.9, temos a distribuição conjunta de X e Y.

TABELA 4.9: Distribuição conjunta de X e Y.

X
0 1 2 3 p(y)
Y
0 1/8 2/8 1/8 0 1/2
1 0 1/8 2/8 1/8 1/2
p(x) 1/8 3/8 3/8 1/8 1

Na Tabela 4.9 p(x, y) = P(X = x, Y= y) denota a probabilidade do evento {X = x e Y = y} = {X = x

∩ Y = y}. Esta tabela fornece a distribuição conjunta de X e Y.

4.7.2. Distribuições Marginais e Condicionais

Da Tabela 4.9, podemos obter facilmente as distribuições de X e Y. A primeira e a

última colunas dão a distribuição de Y, (y , p(y) = P(Y = y)), enquanto a primeira e última linhas da
tabela dão a distribuição de X, (x , p(x) = (P(X = x)). Estas distribuições são chamadas, distribuições
marginais. A distibuição de probabilidade marginal da v.a. X é dada por:

( ) = #( = ) = ∑p ( , =).

Podemos observar, por exemplo, que

Variáveis Aleatórias e Distribuições de Probabilidade 88

2 1 3
P ( X = 1) = P ( X = 1, Y = 0) + P ( X = 1, Y = 1) = + = .
8 8 8

Quando estudamos os aspectos descritivos das distribuições com mais de uma variável,
vimos que, as vezes, é conveniente calcular proporções em relação a uma linha ou coluna, e não em
relação ao total. Isto é equivalente aqui ao conceito de distribuição condicional. Por exemplo, qual
seria a distribuição do número de meninos, sabendo-se que o primeiro filho é do sexo masculino?.
Ou seja, queremos conhecer P(X = x | Y = 1). Da definição de probabilidade condicional, obtemos

P ( X = x, Y = 1)
P ( X = x | Y = 1) = = p ( x | Y = 1) ,
P (Y = 1)

para x = 0, 1, 2, 3. Pela Tabela 4.9, obtemos, por exemplo,

2
P( X = 2, Y = 1) 1
p(2 | Y = 1) = P( X = 2 | Y = 1) = = 8= .
P(Y = 1) 1 2
2

Do mesmo modo, obtemos as demais probabilidades, e a distribuição

condicional de X, dado que Y = 1, está na Tabela 4.10.

TABELA 4.10 :

x 0 1/5 2 3

P(x|Y=1) 0 1/4 1/2 1/4

Observe que ∑ p(x|Y = 1 ) = p( 0|Y = 1 ) + ... + p( 3|Y = 1 ) = 1 .

Do mesmo modo, podemos obter a distribuição condicional de Y, dado que X = 2, que
está na Tabela 4.11.

TABELA 4.11.
Y 0 1

P(y|X=2) 1/3 2/3

Variáveis Aleatórias e Distribuições de Probabilidade 89

Podemos generalizar o que foi dito acima para duas v.a. X e Y assumindo os valores x1,
x2,... e y1, y2,..., respectivamente.

DEFINIÇÃO 4.10 : Seja xi um valor de X, tal que P(X = xi) = p(xi) > 0. A probabilidade

P( X = x i , Y = y i )
P(Y = y i | X = x i ) =
P( X = x i )

é denominada probabilidade condicional de Y = y, dado que X = xi .

Note que, para x fixado, os pares (yi, P(Y = yi | X = xi)) definem a distribuição condicional de
Y, dado que X = xi, pois,

∞ ∞
P(Y = yi | X = xi ) P( X = xi )
∑ P(Y = yi | X = xi ) =∑ P ( X = xi )
=
P ( X = xi )
= 1.
j =1 j =1

4.7.3. Independência de Variáveis Aleatórias Discretas

DEFINIÇÃO 4.11: As v.a.’s discretas X e Y, são independentes se, e somente se, para todo par de
valores (xi, yi) de X e Y tem-se:

P(X = xi , Y = yi) = P(Y = yi)P(X = xi) (4.24)

Basta que a equação (4.24) não se verifique para um par (xi, yi) para que X e Y não sejam
independentes. Neste caso, diremos que X e Y são dependentes. De modo análogo, essa definição
pode ser estendida para mais de duas v.a.’s.

Exercício: Verificar se as v.a.'s X e Y da Tabela 4.9 são independentes.

4.7.4. Distribuição Conjunta de Variáveis Aleatórias Contínuas

A distribuição conjunta de duas variáveis aleatórias contínuas é caracterizada por uma

função f(x, y), chamada função densidade conjunta de X e Y, satisfazendo:

(a ) f ( x, y ) ≥ 0, ∀ (x , y) ;
Variáveis Aleatórias e Distribuições de Probabilidade 90

+∞ +∞
(b) ∫ ∫ f ( x, y )dxdy = 1 ;
−∞ − ∞

b d
(c) P(a ≤ X ≤ b, c ≤ Y ≤ d ) = ∫ ∫ f ( x, y)dxdy .
a c

Exemplo 4.15 - Suponha que f(x, y) = 4xy, para 0 ≤ x ≤ 1; 0 ≤ y ≤ 1. Note que,

1 1 1 1 1 1
 x2   y2 
∫
0
∫0 4xydxdy = 4 ∫0 ∫0
xdx ydy = 4     = 1.
 2 0  2 0

Seja calcular,

P ( X ≤ 1 / 2, Y ≤ 1 / 2 ) .

A Figura 4.11 mostra o domínio da variação de X e Y e a região para a qual

X ≤ 1/ 2 e Y ≤ 1/ 2 .

Figura 4.11

Logo,
1/ 2 1/ 2
1/ 2 1/ 2  x2   y2  1
P ( X ≤ 1 / 2, Y ≤ 1 / 2) = P (0 ≤ X ≤ 1 / 2, 0 ≤ Y ≤ 1 / 2) = ∫ ∫ 4xydxdy = 4 2    = .
0 0   0  2  0 16

Devemos observar que para v.a.’s contínuas, há ainda o interesse nas distribuições marginais e
condicionais.
Variáveis Aleatórias e Distribuições de Probabilidade 91

4.7.5. Independência de Variáveis Aleatórias Contínuas

DEFINIÇÃO 4.12: As v.a’s contínuas X e Y, são independentes se, e somente se, para todo (x,y) de
(X,Y) tivermos

( , =) = A( ) < (=). (4.25)

Na equação (4.25), A( ) e < (=) representam as densidades marginais de X e de Y,

respectivamente.

Outras distribuições de probabilidade de v.a.'s discretas e contínuas estão apresentadas no

Capítulo 5.

REFERÊNCIAS
MORETTIN, P. A., & BUSSAB, W. O. (2017). Estatística básica. São Paulo Editora Saraiva.
MAGALHÃES, M. N. (2011). Probabilidade e variáveis aleatórias. Edusp, São Paulo, 3a ed.
MEYER, P. L. (2010). Probabilidade - aplicações à estatística. LTC, São Paulo, 2ª ed.
R Core Team (2019). R: A language and environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.