Escolar Documentos
Profissional Documentos
Cultura Documentos
Capítulo 4
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 ( ) .
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 .
∑ 1
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
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 .
( (-.
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
Usamos a notação X ~ Bernoulli(p) para indicar que a v.a. tem distribuição de Bernoulli com
parâmetro p.
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.
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).
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:
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
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.
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.
F ( x) = P( X ≤ x) . (4.6)
F ( x) = ∑ p( x j ) , xj ≤ x (4.7)
j
Variáveis Aleatórias e Distribuições de Probabilidade 78
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.
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 .
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
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) .
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.
D;( ) D D
E F (=) = = ( ) . ∎
D D= D=
Desde que f(x) > 0 para 0 < x < 1, encontramos que fY(y) > 0 para 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.
DEFINIÇÃO 4.7: O valor esperado ou esperança matemática ou média de uma v.a. X é dado por:
=
+∞
∫ x f ( x)dx
-∞
, se X é uma v.a. aleatória contínua , (4.13)
)
#( = ) = 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
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.
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
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"!( ) ) .
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
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
sendo que, H = I( ).
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
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
(1 − )
#[| f − | ≥ h] ≤ . (4.23 − b)
h5
(1 − )
#[| f − | < h] ≥ 1 − . (4.23 − c)
h5
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;
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
X 0 1 2 3
Y 0 1
Z 0 1 2
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.
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
( ) = #( = ) = ∑p ( , =).
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)
2
P( X = 2, Y = 1) 1
p(2 | Y = 1) = P( X = 2 | Y = 1) = = 8= .
P(Y = 1) 1 2
2
TABELA 4.10 :
x 0 1/5 2 3
TABELA 4.11.
Y 0 1
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 )
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
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:
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.
(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
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 ) .
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
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
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/.