UNIVERSIDADE FEDERAL DO PIAUÍ

CENTRO DE CIÊNCIAS DA NATUREZA - CCNII

COORDENAÇÃO DO C.G. BACHARELADO EM ESTATÍSTICA

DISCIPLINA: Probabilidade e Estatı́stica

CURSO: Engenharia dos Materiais -2020.2
PROFESSOR: Me. Stênio Rodrigues Lima

Variável Aleatórias Discretas

Unidimensionais

1 Introdução
Muitos experimentos aleatórios fornecem resultados numéricos, como no caso do lançamento
de um dado. Por outro lado, outros experimentos podem fornecer resultados não numéricos,
embora possamos associar números aos resultados possı́veis. No lançamento de uma mo-
eda, por exemplo, podemos associar o número 1 à ocorrência de cara e o número 2 à
ocorrência de coroa. Ao trabalhar com esses números, estaremos sempre interessados em
associar probabilidades a eles. Isso será feito através das variáveis aleatórias, que serão
o objeto de estudo neste capı́tulo.

2 Variável aleatória
Consideremos o lançamentos de dois dados equilibrados. Como já visto, o espaço amos-
tral desse experimento é formado pelos pares ordenados (i, j) em que i, j = 1, 2, 3, 4, 5, 6.
Esse é um experimentos onde o espaço amostral é formado por números. Suponhamos
que nosso interesse esteja no máximo das faces dos dois dados. Nesse caso, podemos
associar um número a cada ponto do espaço amostral. Esse exemplo ilustra o conceito
de variável aleatória.

Definição: Considere o espaço amostral Ω associado ao experimento aleatório .

Define-se a variável aleatória X como uma função que associa um número real X(ω) a
cada elemento do espaço amostral, ω ∈ Ω.

X : Ω → IR

1
 Representamos as variáveis aleatórias por letras maiúsculas e suas ocorrências por
letras minúsculas.

Definição: Uma variável aleatória é discreta se sua imagem (ou conjunto de valores
que ela pode tomar) é um conjunto finito ou enumerável. Se a imagem é um conjunto
não enumerável dizemos que a variável aleatória é continua.

Exemplo 1: Suponha o experimento: lançar três moedas. Seja X : número de

ocorrências da face cara. Se X é o número de caras, X assume os valores 0,1,2,3. Pode-
mos associar a esses números eventos que correspondem a nenhuma, uma, duas ou três
caras respectivamente.

Exercı́cios

1. Um homem possui 4 chaves em seu bolso. Como está escuro, ele não consegui ver
qual chave correta para abrir a porta de sua casa. Ele testa cada uma das chaves
até encontrar a correta.
a) Defina um espaço amostral para esse experimento.
b) Defina a v.a. X = número de chaves experimentadas até conseguir abrir a porta
(inclusive a chave correta). Quais são os valores de X?
2. Numa urna há 7 bolas brancas e 4 bolas verdes. Cinco bolas são extraı́das dessa
urna. Defina a v.a. X = número de bolas verdes. Quais são o possı́veis valores de
X se as extrações são feitas sem reposição?
3. Repita o problema anterior, supondo que a urna tem 4 bolas de cada cor.

3 Função de distribuição de Probabilidade

Os valores de uma v.a. discreta são definidos a partir do espaço amostral de um experi-
mento aleatório. Sendo assim, é natural perguntarmos “ qual é a probabilidade do valor
x”? No exemplo do máximo das faces de dois dados, o valor 6 da v.a. é imagem de
11 pontos do espaço amostral, enquanto a valor 2 é imagem de apenas 3 pontos. Sendo
assim, é de se esperar que o valor 6 seja mais provável que o valor 2. Na verdade, temos
a seguinte equivalência de eventos: se chamamos de X a v.a. “máximo dos 2 dados”,
então

{X = 6} = {(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6), (1, 6), (2, 6), (3, 6), (4, 6), (5, 6)}

e assim

P ({X = 6}) = P {(6, 1)∪(6, 2)∪(6, 3)∪(6, 4)∪(6, 5)∪(6, 6)∪(1, 6)∪(2, 6)∪(3, 6)∪(4, 6)∪(5, 6)}

Como os eventos no lado direito da expressão acima são mutuamente exclusivos e

11
igualmente prováveis, resulta que P ({X = 6}) = 36

2
 Definição: Seja X uma v.a. discreta. Define-se Função de distribuição de Probabi-
lidade de X é a função pX (x) que associa, a cada valor possı́vel x de X, sua respectiva
probabilidade, calculada da seguinte forma: pX (x) é a probabilidade do evento {X = x}
consistindo de todos os resultados do espaço amostral que deram origem ao valor x.
X
pX (x) = P ({X = x}) = P (ω)
ω∈Ω:X(ω)=x

os números p(xi ) devem satisfazer as seguintes condições:

ˆ 0 ≤ p(xi ) ≤ 1;
P∞
ˆ i=0 p(xi ) = 1

4 Variável aleatória contı́nua

4.1 Função densidade de probabilidade (f.d.p)
Definição: Diz-s que X é uma v.a. contı́nua se existir uma função fX (x), denominada
função densidade de probabilidade de X que satisfaça as seguintes condições:

1. fX (x) ≥ 0
R∞
2. −∞ fX (x)dx = 1
3. Para qualquer a, Rb, −∞ < a < b < +∞, teremos:
b
P (a < X < b) = a fX (x)dx

Exemplo 1: Suponhamos que v.a. X seja continua. Seja a função fX (x) definida
por:

2x, 0<x<1
fX (x) = (1)
0, caso contrario
verifique se fX (x) as condições que define uma f.d.p.

Exemplo 2: Considere a função fX (x) representada na figura abaixo:

i) Encontre o valor de k para que fX (x) seja uma função densidade de probabilidade
de uma v.a. X;

3
ii) Determine a equação que define fX (x);
iii) Calcule P (2 < x < 3).

5 Esperança de variáveis aleatórias

Definição 1: Seja X uma v.a. discreta, com valores possı́veis X1 , X2 , . . . , Xn , . . .. Seja
PX (x) = P (X = xi ), i = 1, 2, . . . , n, . . .. Então o valor esperado de X (ou esperança
matemática de X) denotado por E(X) é definido como:
∞
X
E(X) = xi pX (x),
i=1

Se a série ∞
P P∞
i=1 xi pX (x) convergir absolutamente, isto é i=1 xi pX (x) < ∞.
Exemplo: Em determinado setor de uma loja de departamentos, o número de pro-
duto vendidos em um dia pelos funcionários é uma v.a. P com a seguinte distribuição
de probabilidade:
Nº de prod. vendidos 0 1 2 3 4 5 6
Prob. de venda 0,1 0,4 0,2 0,1 0,1 0,05 0,05
Qual o número médio de produtos vendidos por cada vendedor?

Agora considere a seguinte situação:

Cada vendedor recebe comissões de venda distribuı́das da seguinte forma: se ele vende
até 2 produtos em um dia, ele ganha comissão de R$ 10,00 por produto vendido. A partir
da terceira venda a comissão passa para R$ 50,00. Qual a comissão média para cada um
deles?

Definição 2: Seja X uma v.a. contı́nua com f.d.p. fX (x). A esperança (ou média
ou valor esperado) de X é definido como:
Z ∞
E(X) = x fX (x) dx,
−∞

Pode acontecer que esta integralR (imprópria) não corrija. Consequentemente diremos que
∞
E(X) existirá se, e somente se −∞ x fX (x) dx < ∞.

Exemplo: Seja a v.a. X definida como segue:

Suponha que X seja o tempo (em minutos) durante o qual um equipamento elétrico seja
utilizado em carga máxima, em um certo perı́odo de tempo especificado. Suponha que
X seja uma v.a. contı́nua com a seguinte f.d.p.
(
1
(1500)2
x, 0 ≤ x ≤ 1500
fX (x) = −1 (2)
(1500)2
(x − 3000), 1500 ≤ x ≤ 3000

Determine E(X).

4
5.1 Propriedades da Esperança Matemática
Seja a, b 6= 0, constantes reais quaisquer.
1. E(a) = a
2. E(X + a) = E(X) + a
3. E(b.X) = b.E(X)
4. E(a + b.X) = a + b.E(X)
5. Xmin ≤ E(X) ≤ Xmax , em que Xmin e Xmax são valores mı́nimo e máximo da
variável X.

6 Variância de um variável aleatória

Definição 1: Seja X uma variável aleatória. Define-se a variância de X, denotada por
2
V (X) ou σX , da seguinte forma:

V (X) = E (X − E(X))2
 

A raiz quadrada positiva de V (X) é denominada o desvio padrão de X, denotado por

σX .

Teorema: V (X) = E(X 2 ) − [E(X)]2

Definição 2: Dada uma v.a. discreta X, cuja função distribuição de probabilidade

é PX (X). Então a variância de X é definida por:
X
V (X) = (x − µ)2 p(x), em que µ = E(X)
x
ou " #2
X X
V (X) = x2 p(x) − xpX (x) = E(X 2 ) − [E(X)]2
x x

Definição 3: Dada uma v.a. contı́nua X, cuja f.d.p é fX (x). Então, a variância de
X é definida por:
Z ∞
V (X) = (x − µ)2 f (x)dx, em que µ = E(X)
−∞
ou 2
Z ∞ Z ∞
2
V (X) = x p(x) − xpX (x) = E(X 2 ) − [E(X)]2
−∞ −∞

5
6.1 Propriedades
Seja a, b 6= 0, constantes reais quaisquer:

1. V (a) = a
2. V (X + a) = V (X)
3. V (b.X) = b2 .V (X)
4. V (a + b.X) = b2 .V (X)

Exemplo: Suponha que a v.a. X discreta tem a seguinte distribuição de probabili-

dade:
X 0 1 Total
PX (x) 1-p p 1
Determine E(X) e V (X).

Exemplo Suponha que a v.a. X seja uniformemente distribuı́da no intervalo [a,b] e

sua f.d.p. é
 1
b−a
, a≤x≤b
fX (x) = (3)
0, caso contrario
Determine E(X) e V (X).

Bom estudo!!