Universidade Federal do Tocantins

Campus de Palmas
Curso de Engenharia Civil e Elétrica
Disciplina : Estatística e Probabilidade

Aula - 9

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

 Variável Aleatória e Distribuições Binomial

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

Variável Aleatória :

• Suponhamos um espaço amostral S e que a cada ponto amostral seja atribuído um

número.

• Fica, então definida uma função chamada variável aleatória, indicada por uma letra
maiúscula, sendo seus valores indicados por letras minúsculas.

• Assim, se o espaço amostral relativo ao “lançamento simultâneo de duas moedas” é S =

{(Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co)} e se X representa “o número de caras” que
aparecem, a cada ponto amostral podemos associar um número para X, conforme a Tabela
abaixo:
Ponto Amostral X

(Ca, Ca) 2

(Ca, Co) 1

(Co, Ca) 1

(Co, Co) 0

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

 Distribuição de Probabilidade :

• Consideremos a distribuição de frequências relativas ao número de acidentes diários em

um estacionamento:

Número de Acidentes Frequências

0 22
1 5
2 2
3 1
å =30

Em um dia, a probabilidade de:

• Não ocorrer acidente é:

22
p= = 0,73
30

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

 • Ocorrer um acidente é:
,
5
p= = 0,17
30

• Ocorrerem dois acidentes é:

2
p= = 0,07
30

• Ocorrerem três acidentes é:

1
p= = 0,03
30

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

Podemos, então, escrever:
Número de Acidentes Probabilidade

0 0,73
1 0,17
2 0,07
3 0,03

å = 1,00

Essa tabela é denominada distribuição de probabilidade.

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

• Seja X uma variável aleatória que pode assumir os valores x1, x2, x3, ..., xn. A cada valor
xi correspondem pontos do espaço amostral.

• Associamos, então, a cada valor xi a probabilidade pi de ocorrência de tais pontos no

espaço amostral.

Assim, temos:

å p =1

• Os valores x1, x2, x3, ..., xn e seus correspondentes p1, p2, ..., pn definem uma
distribuição de probabilidade.

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

Tomando como exemplo na Tabela, temos:

X P(X)
Ponto Amostral
(Ca, Ca) 2 ½x½=¼

(Ca, Co) 1 ½x½=¼

(Co, Ca) 1 ½x½=¼

(Co, Co) 0 ½x½=¼

Logo, podemos escrever:

Número de Caras (X) P(X)
2 ¼
1 2/4
0 ¼
å =1

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

• A correspondência entre os valores da variável aleatória X e os valores da variável P
definem a função probabilidade, sendo representada por:

f ( x ) = P ( X = xi )

• Os valores (i = 1, 2, ..., n) formam o domínio da função e os valores (i = 1, 2, ..., n), o

seu conjunto imagem.

• A função P ( X = xi ) determina a distribuição de probabilidade da variável aleatória X.

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

Exemplo:

Ao lançarmos um dado, a variável aleatória X, definida por “pontos de um dado”, pode

tomar os valores 1, 2, 3, ..., 6.

Como a cada um destes valores está associada uma e uma só probabilidade de

realização e , fica definida uma função de probabilidade, da qual resulta a seguinte
distribuição de probabilidade:
X P(X)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6

å =1

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

• Consideremos apenas os experimentos que satisfaçam os seguintes condições:

1. O experimento deve ser repetido, nas mesmas condições, um número finito de vezes
(n);

2. As provas repetidas devem ser independentes, isto é, o resultado de uma não deve
afetar os resultados das sucessivas;

3. Em cada prova deve aparecer um dos dois possíveis resultados: sucesso e insucesso;

4. No decorrer do experimento, a probabilidade p do sucesso e a probabilidade q (q = 1 –

p) do insucesso manter-se-ão constantes.

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

Exemplo:
• O experimento “obtenção de caras em cinco lançamentos sucessivos e independentes de
uma moeda” satisfaz essas condições.

• Suponhamos, agora, que realizemos a mesma prova n vezes sucessivas e independentes. A

probabilidade de que um evento se realize k vezes nas provas é dada pela função:

æ n ö k n-k
f ( X ) = P( X = k ) = çç ÷÷ p q
na qual: èk ø

• P(X = k) é a probabilidade de que o evento se realize k vezes em n provas;

• p é a probabilidade de que o evento se realize em uma só prova – sucesso;

• q é a probabilidade de que o evento não se realize no decurso dessa prova – insucesso;

ænö n!
• çç ÷÷ é o coeficiente binomial de n sobre k, igual a .
k !(n - k )!
èk ø
UFT/2012.2 Prof. Hayda Maria Alves Guimarães
Exemplo 01:
Uma moeda é lançada 5 vezes seguidas e independentes. Calcule a probabilidade de serem
obtidas 3 caras nessas 5 provas.

Temos:
n=5 e k=3

Pela lei binomial, podemos escrever:

æ 5 ö 3 5-3 æ 5 ö 3 2
P ( X = 3) = çç ÷÷ p q = çç ÷÷ p q
è 3ø è 3ø
1
Se a probabilidade de obtermos “cara” numa só prova (sucesso) é p = e a probabilidade
2
de não obtermos “cara” numa só prova (insucesso) é , 1 1 então:
q =1- =
2 2

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

 æ 5ö æ 1 ö æ 1 ö
3 2
5! 1 1
P( X = 3) = çç ÷÷ ç ÷ ç ÷ = x x =
è 3 ø è 2 ø è 2 ø 3! 2! 8 4

5 . 4 . 3 . 2 .1 1 1 5
= x x =
3 . 2 . 1 . 2 . 1 8 4 16
Logo:

5
P( X = 3) =
16

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

Exemplo 2 :
Dois times de futebol, A e B, jogam entre si 6 vezes. Encontre a probabilidade de o time A
ganhar 4 jogos.

Temos:
1 1 2
n = 6, k = 4, p = e q =1- Þ q =
3 3 3
Então:

æ 6öæ 1 ö æ 2 ö
4 2
6! 1 4 20
P ( X = 4 ) = çç ÷÷ ç ÷ ç ÷ = x x =
è 4øè 3ø è 3 ø 4! . 2! 81 9 243

20
Logo:
P( X = 4) = , ou seja,
P ( X = 4 ) = 0,0823
243

ou
P(X = 4) = 8,23%

UFT/2012.2 Prof. Hayda Maria Alves Guimarães

Bibliografia :
AZEVEDO, A. G. de. Estatística básica. 4. ed. Rio de Janeiro: Ao Livro Técnico e
Científico, 1984.

DOWNING, D.; CLARK, J. Estatística aplicada. São Paulo: Saraiva 2000.

CRESPO, A. Estatística fácil. São Paulo: saraiva, 2001.

MARTINS, G. Estatística geral e aplicada. São Paulo: atlas, 2005.

SILVA, H. et al. Estatística para os cursos de economia, administração e

contábeis. 3. Ed. São Paulo: atlas, 1999.

UFT/2012.2 Prof. Hayda Maria Alves Guimarães