VARIÁVEIS ALEATÓRIAS

DISCRETAS
Variáveis Aleatórias
Definição: Seja E um experimento aleatório e S o espaço amostral associado a
esse experimento. Uma função X que associa o número real X(s) a cada elemento
s∈ S é chamada variável aleatória (V.A.).

X:S→R

Exemplo1: Considere o experimento aleatório de lançar 3 moedas. Seja X a

variável aleatória que conta o número de caras nesse experimento.
Variáveis Aleatórias
Exemplo2: Seja X uma variável aleatória.
X = "Número de acidentes de trânsito por dia em determinado local”

Exemplo3: Seja X uma variável aleatória.

X = ”Inflação mensal"
X  
Variáveis Aleatórias
 Variáveis Aleatórias Discretas

Definição: Seja X uma variável aleatória. Se os possíveis valores assumidos por

X forem finitos ou infinitos enumeráveis, dizemos que X é uma variável aleatória
discreta.

• Função de Probabilidade (Função de massa de probabilidade): É uma

função que associa a cada valor assumido pela variável aleatória uma
probabilidade dada por:

P( X  x)  p( x)
 P( xi )  0

devendo satisfazer às seguintes condições: 
P( xi )  1
 i
Variáveis Aleatórias
Exemplo1: Considere o experimento aleatório de lançar três moedas. Determine a
distribuição da probabilidade desse experimento e obtenha seu respectivo gráfico.

Vimos que:
Variáveis Aleatórias
Exemplo1: Considere o experimento aleatório de lançar três moedas. Determine a
distribuição da probabilidade desse experimento e obtenha seu respectivo gráfico.
Variáveis Aleatórias
• Função distribuição acumulada (Repartição): Seja X uma variável aleatória
discreta. Define-se por função distribuição acumulada a seguinte expressão:

FX ( x)  F ( x)  P( X  x)
• Propriedades:

1. lim 𝐹𝑋 𝑥 = 𝐹𝑋 −∞ = 0
𝑥→−∞
2. lim 𝐹𝑋 𝑥 = 𝐹𝑋 ∞ = 1
𝑥→∞
3. 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 − 𝐹 𝑎
4. Se 𝑋1 < 𝑋2 → 𝐹𝑋1 𝑥1 < 𝐹𝑋2 𝑥2
5. 𝐹𝑋 𝑥 é contínua à direita
Variáveis Aleatórias
Exemplo1: Considere o experimento aleatório de lançar três moedas. Determine a
função de distribuição acumulada desse experimento e obtenha seu respectivo gráfico.

Vimos que:
X 0 1 2 3 Somatório
P(X=x) 1/8 3/8 3/8 1/8 1

 0, se x  0 ( P( X  0)  0)
 1/ 8, se 0  x  1 ( FX (0)  P( X  0)  1/ 8

FX ( x)   4 / 8, se 1  x  2 ( FX (1)  P( X  1)  4 / 8
7 / 8, se 2  x  3 ( FX (2)  P( X  2)  7 / 8

 1, se x  3 ( FX (3)  P( X  3)  1)
Variáveis Aleatórias
Exemplo1: Considere o experimento aleatório de lançar três moedas. Determine a
função de distribuição acumulada desse experimento e obtenha seu respectivo gráfico.

Vimos que:
X 0 1 2 3 Somatório
P(X=x) 1/8 3/8 3/8 1/8 1
Variáveis Aleatórias
• Esperança matemática (Valor esperado ou média): define-se valor esperado
ou média de uma variável aleatória discreta X a seguinte expressão:

 X  E ( x)   x. P( X  x)
x

Exemplo: Considere o experimento aleatório de lançar três moedas. Seja X uma

V.A. que representa o número de caras obtidos nesse experimento.

𝐸 𝑋 = 0. 𝑃 𝑋 = 0 + 1. 𝑃 𝑋 = 1 + 2. 𝑃 𝑋 = 2 + 3. 𝑃 𝑋 = 3

1 3 3 1 3
𝐸 𝑋 = 0. + 1. + 2. + 3. =
8 8 8 8 2
Variáveis Aleatórias
• Propriedades: Sejam X e Y variáveis aleatórias e a e b constantes. Então:

a) 𝐸 𝑎𝑋 = 𝑎. 𝐸 𝑋 ;
b) 𝐸 𝑎𝑋 ± 𝑏 = 𝑎. 𝐸 𝑋 ± 𝑏;
c) 𝐸 𝑎𝑋 ± 𝑏𝑌 = 𝑎. 𝐸 𝑋 ± 𝑏. 𝐸 𝑌 ;
d) 𝐸 𝑋𝑌 = 𝐸 𝑋 . 𝐸 𝑌 , se 𝑋 e 𝑌 forem independentes; e
e) 𝐸 𝑋𝑌 = 𝐸 𝑋 . 𝐸 𝑌 + 𝑐𝑜𝑣 𝑋, 𝑌 , se 𝑋 e 𝑌 não forem independentes.

Onde 𝑐𝑜𝑣 𝑋, 𝑌 = 𝑋−𝐸 𝑋 𝑌−𝐸 𝑌 é chamada covariância de 𝑋 e 𝑌.

Ou ainda, cov( X , Y )  E ( X , Y )  E ( X ). E (Y )
Variáveis Aleatórias
• Variância:

 X2  Var ( X )  V ( X )   ( x   X ) 2 . P( X  x)
x

ou

V ( X )  E ( X 2 )  E ( X )
2

onde E ( X 2 )   x 2 . P( X  x)
x
Variáveis Aleatórias
• Propriedades: Sejam X e Y variáveis aleatórias e a e b constantes. Então:

i) 𝑉 𝑎 =0
ii) 𝑉 𝑎𝑋 + 𝑏 = 𝑎2 . 𝑉 𝑋
iii) 𝑉 𝑎𝑋 ± 𝑏𝑌 = 𝑎2 . 𝑉 𝑋 + 𝑏 2 𝑉 𝑌 , se 𝑋 e 𝑌 forem independentes.
iv) 𝑉 𝑎𝑋 ± 𝑏𝑌 = 𝑎2 . 𝑉 𝑋 + 𝑏 2 . 𝑉 𝑌 ± 2𝑎𝑏. cov 𝑋, 𝑌

Onde cov( X , Y )  E ( X , Y )  E ( X ). E (Y )

Observe que se X e Y forem independentes, cov( X , Y )  0

Variáveis Aleatórias
 Distribuições de Probabilidade Discretas

• Distribuição de Bernoulli
Considere uma única tentativa de um experimento que tem apenas dois
resultados possíveis, Sucesso com probabilidade p e Fracasso com probabilidade q,
onde p+q=1.
Seja a V. A. X :“Sucesso nessa única tentativa”. Então, pode-se dizer que:
X 0 1
P(X=x) q p
Variáveis Aleatórias
Logo, a função de probabilidade da V. A. X é dada por:

P( X  x)  p x . q1 x
Características dessa distribuição,

E ( X )   x. P( X  x)  0.q  1. p  p  E ( X )  p
x

V ( X )  E ( X 2 )  E ( X ) 2  p  p 2  p(1  p)  p.q  V ( X )  p.q

Observe que, E ( X 2 )   x . P( X  x)  0 . q  1 . p  p
x
2 2 2
Variáveis Aleatórias
 Distribuições de Probabilidade Discretas

• Distribuição Binomial
Considere agora n tentativas sucessivas e independentes de um mesmo
experimento que consiste de apenas dois resultados possíveis, Sucesso com
probabilidade p e Fracasso com probabilidade q, onde p + q =1.
Seja a V. A. X : “Número de sucessos em n tentativas”.

Queremos determinar a função de probabilidade de X, ou seja, P(X=x).

Assim, considere inicialmente um resultado particular RP dado por:
𝑅𝑃 → 𝑆𝑆𝑆 … 𝑆 𝐹𝐹𝐹 … 𝐹
𝑥 𝑛−𝑥
Variáveis Aleatórias
Então,

𝑃 𝑅𝑃 = 𝑃 𝑆𝑆𝑆 … 𝑆 𝐹𝐹𝐹 … 𝐹 = 𝑝 𝑥 . 𝑞𝑛−𝑥

𝑥 𝑛−𝑥

Agora considere todas as maneiras possíveis de obter os x sucessos. Assim,

𝑛 𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑝 1−𝑝 , 𝑥 = 0, 1, … , 𝑛
𝑥

Ainda,

 E ( X )  np

V ( X )  npq Notação: X ~ B (n ; p )
Variáveis Aleatórias
Exemplo: A probabilidade de um arqueiro acertar o alvo com uma única flecha é
de 0,20. Ele lança 30 flechas no alvo. Qual a probabilidade de que exatamente 4
flechas acertem o alvo?
Lembre que
𝑛 𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑝 1−𝑝 , 𝑥 = 0, 1, … , 𝑛
𝑥

X ~ B(30;0, 20)
Daí,
 30 
P( X  4)    (0, 2) 4 .(0,8) 26  0,1325 ou 13, 25%
4
Variáveis Aleatórias
 Distribuições de Probabilidade Discretas

• Distribuição Geométrica
Considere novamente n tentativas sucessivas e independentes de um mesmo
experimento que só admite dois resultados possíveis, Sucesso com probabilidade p
e Fracasso com probabilidade q, onde p + q =1.

Seja a V. A. X : “Número de tentativas até a ocorrência do 1º sucesso”.

Notação: X ~ G ( p )
Variáveis Aleatórias
Logo, note que X pode assumir os seguintes valores:
𝑋=1→𝑆→𝑃 𝑋=1 =𝑝
𝑋 = 2 → 𝐹𝑆 → 𝑃 𝑋 = 2 = 𝑞𝑝
𝑋 = 3 → 𝐹𝐹𝑆 → 𝑃 𝑋 = 3 = 𝑞 2 𝑝
⋮
𝑋 = 𝑘 → 𝐹𝐹𝐹 … 𝐹 𝑆 → 𝑃 𝑋 = 𝑘 = 𝑞 𝑘−1 𝑝
𝑘−1

Portanto, a função de probabilidade de X é dada por:

P( X  x)  q x 1. p  E ( X )  1/ p

V ( X )  q / p
2
Variáveis Aleatórias
Exemplo: A probabilidade de se encontrar o monitor de estatística em sua sala é de
0,4. qual a probabilidade de que seja necessário passar pelo local 5 vezes para
encontrar o monitor pela primeira vez?

P( X  x)  q x 1. p

X ~ G (0, 4)
Daí,

P( X  5)  (0, 6) 4 .(0, 4)  0, 0518 ou 5,18%

Variáveis Aleatórias
 Distribuições de Probabilidade Discretas

• Distribuição de Pascal (Binomial Negativa)

Considere novamente n tentativas sucessivas e independentes de um mesmo
experimento que só admite dois resultados possíveis, Sucesso com probabilidade p
e Fracasso com probabilidade q, onde p + q =1.

Seja a V. A. X : “Número de tentativas até a ocorrência do r-ésimo sucesso”.

Variáveis Aleatórias
• Distribuição de Pascal (Binomial Negativa)

 x  1 r x  r
P( X  x)   p q , xr
 r 1

r rq
E( X )  e V (X )  2
p p

Notação: X ~ BN (r , p)
Variáveis Aleatórias
• Distribuição de Pascal (Binomial Negativa)

Exemplo: A probabilidade de que um sinal de trânsito esteja aberto numa

esquina é 0,20. Qual a probabilidade que seja necessário passar pelo local 10
vezes para encontra-lo aberto pela 4ª vez?
Veja que X:”número de passagens pelo sinal”
Além disso, r=4, p=0,2 e q=0,80. Assim,

9
P( X  10)    .0, 204.0,806  0, 035
 3
Variáveis Aleatórias
 Distribuições de Probabilidade Discretas

• Distribuição Hipergeométrica
Consideremos uma população com N elementos, dos quais k tem uma
determinada característica. A retirada de um desses elementos é chamado de
sucesso. Retira-se dessa população, uma amostra de tamanho n, sem reposição.

Seja a V. A. X : “Número de sucessos na amostra”.

Variáveis Aleatórias
Para determinar a função de probabilidade da V. A. X, pode-se utilizar o conceito
básico de probabilidade:
n( x )
P( X  x) 
n( S )

Daí, basta ver que o número de maneiras possíveis de retirar amostras sem
reposição vale  n  . Além disso, o número de sucessos na amostra podem ocorrer
N
 
de  k  maneiras e de fracassos de  N  k  modos.
 x  nx 
Variáveis Aleatórias
Portanto, a função de probabilidade de X é dada por:

k   N k 
  . 
 x  n  x 
P( X  x)  , 0 xn e xk
N
 
n

 E ( X )  np

 ( N  n) k
V ( X )  npq , onde p 
 ( N  1) N
Variáveis Aleatórias
 Distribuições de Probabilidade Discretas
• Distribuição Poisson

Definição - Processo de Poisson: é um processo onde eventos discretos

ocorrem em intervalos contínuos (tempo, comprimento, área, volume...).

Considere a V. A. X : “Número de sucessos em um processo de Poisson”.

Então, 
e .
x
P( X  x)  , x  0,1, 2,
x!
onde λ é a taxa de ocorrência. Ainda,

E( X )  V ( X )   Notação: X ~ P ( )
Variáveis Aleatórias
 Distribuições de Probabilidade Discretas
• Distribuição Poisson

Propriedades:

1. Essa distribuição se aplica a eventos raros;

2. λ é proporcional ao intervalo contínuo considerado no problema; e

3. Os eventos são independentes.
Variáveis Aleatórias
Exemplo: Numa central telefônica chegam 300 telefonemas por hora. Qual a
probabilidade de que:

a) Num minuto não haja nenhuma chamada;

Note que 300 chamadas por hora equivale a 5 chamadas por minuto. Assim,

e 5 .50
P( X  0)   0, 007
0!
Variáveis Aleatórias
Exemplo: Numa central telefônica chegam 300 telefonemas por hora. Qual a
probabilidade de que:

b) Em 2 minutos haja no máximo 2 chamadas

P( X  2)  P( X  0)  P( X  1)  P( X  2) 
e 10 .100 e 10 .101 e 10 .102
    0, 0028
0! 1! 2!
Variáveis Aleatórias
 Distribuições de Probabilidade Discretas

• Aproximação da distribuição binomial pela distribuição de Poisson

Usado quando n é muito grande e p muito pequeno. Assim, quando isso ocorre
podemos fazer a média da binomial igual a média da distribuição de Poisson.
Então,
  np

Diz-se que a aproximação é boa se n > 50 e p < 0,10.