Aula 4.

Varável aleatória (caso discreto)

Consideramos um modelo probabilı́stico (Ω, P) (utilizamos a Definição 2.1).

Conceito de variável aleatória

Definição 1. Uma variável aleatória é uma função que associa um número real a cada ponto do espaço
amostral:

X:Ω→X ⊂R
ω → X(ω) = x

Observação 1. O conjunto X na Definição 1 é chamado imagem da variável X.

Utilizando a notação
{X = x} = {ω ∈ Ω : X(ω) = x}, (1)
podemos definir a probabilidade de uma variável aleatória assumir um dado valor x ∈ X como
X
p(x) = P({X = x}) = P(ω). (2)
ω∈Ω:X(ω)=x

Ou de maneira mais formal como:

Definição 2. Uma distribuição de probabilidade em R é uma função que a cada elemento x do conjunto
enumerável (finito ou infinito) X ⊂ R associa um “peso” p(x) tal que as seguintes condições são satisfeitas

0 ≤ p(x) ≤ 1 (3)
X
p(x) = 1 (4)
x∈X

Observação 2. Comparando as Definições 2 e 2.1, estamos vendo que (X , p) é um caso particular de

modelo probabilı́stico. O que é especifico para distribuição em R é que X ⊂ R.
Exemplo 1. Nas condições do Exemplo 2.4 (lançamento de uma moeda equilibrada duas vezes) consi-
dere variável aleatória X que é o número de coroas. Ache a distribuição de X.
Solução. Lembramos que Ω = {ω1 , ω2 , ω3 , ω4 }, onde

ω1 = (C, C), ω2 = (C, R), ω3 = (R, C), ω4 = (R, R),

com P(ωi ) = 41 , i = 1, 2, 3, 4. Temos

X(ω1 ) = 0, X(ω2 ) = 1, X(ω3 ) = 1, X(ω4 ) = 2.

Logo
X 1 1 1
P(X = 1) = P(ω) = P(ω2 ) + P(ω3 ) = + = .
4 4 2
ω∈Ω:X(ω)=1
1
Do mesmo jeito, P(X = 0) = 4 e P(X = 2) = 14 . Finalmente, temos

x 0 1 2
(5)
p(x) 1/4 1/2 1/4

Exemplo 2. Um lote possui 100 peças, das quais 20 são defeituosas. 3 peças são retiradas do lote, sem
reposição. Considere a variável aleatória X: o número de peças defeituosas entre as peças retiradas.
Ache a distribuição de X.

1
 Aula 4
Solução. O espaço amostral é Ω = {BBB, BBD, BDB, BDD, DBB, DBD, DDB, DDD}. onde, por
exemplo, BDB significa que primeira peça retirada é boa, segunda é defeituosa e terceira é boa. Defi-
nimos eventos

A1 = {primeira peça retirada é defeituosa}, A2 = {segunda peça retirada é defeituosa},

A3 = {terceira peça retirada é defeituosa}, C = {duas peças retiradas são defeituosas}.

Temos que calcular

P(C) = P(BDD) + P(DBD) + P(DDB).
Usando o Teorema 3.2 (o teorema de multiplicação: P(A∩B∩C) = P(A) P(B|A) P(C|A∩B)), calculamos




80 20 19
P(BDD) = P A1 ∩ A2 ∩ A3 = P A1 P A2 |A1 P A3 |A2 ∩ A1 =
100 99 98

Do mesmo jeito:
20 80 19 20 19 80
P(DBD) = P(DDB) =
100 99 98 100 99 98
Logo
20 19 80
P(C) = 3 ≈ 0.094
100 99 98
20 19 80
Temos P(X = 2) = P(C) = 3 100 99 98 ≈ 0.094. Do mesmo jeito, temos

80 79 78
P(X = 0) = P(BBB) = P(A1 ∩ A2 ∩ A3 ) = ≈ 0.508
100 99 98
20 19 18
P(X = 3) = P(DDD) = P(A1 ∩ A2 ∩ A3 ) = ≈ 0.007
100 99 98
Então

P(X = 1) = 1 − P(X = 0) − P(X = 2) − P(X = 3) ≈ 1 − 0.094 − 0.508 − 0.007 = 0.391

Logo
x 0 1 2 3
(6)
p(x) 0.508 0.391 0.094 0.007

Esperança de variável aleatória

Definição 3. A esperança de uma variável aleatória X é
X
E(X) = xp(x). (7)
x∈X

Observação 3. Da formula (7) imediatamente segue que, se X assuma só valores não negativos, então
E X ≥ 0.
Observação 4. Outro jeito de definir esperança de variável aleatória é
X
E(X) = X(ω) P(w) (8)
ω∈Ω

As duas definições (7) e (8) são equivalentes, de fato,

X X X (2) X
X(ω) P(w) = x P(ω) = xp(x). (9)
ω∈Ω x∈X w∈Ω:X(ω)=x x∈X

2
 Aula 4
Exemplo 3. Nas condições do Exemplo 1 ache E X.
Solução.
X 1 1 1
E(X) = xp(x) = 0 · + 1 · + 2 · = 1.
4 2 4
Exemplo 4. Nas condições do Exemplo 2 calcule E X, utilizando a distribuição (6).
Solução. X
E(X) = xp(x) = 0 · 0.508 + 1 · 0.391 + 2 · 0.094 + 3 · 0.007 = 0.6

Transformação de variável aleatória

Seja X variável aleatória, isto é, pela Definição 1, uma R R
função X : Ω → R. Seja g uma função g : R → R. Logo X ∪ g ∪
Ω X Y
Y = g(X) é função Y : Ω → R e então, pela Definição 1,
uma variável aleatória. Y = g(X)

Exemplo 5. A distribuição de variável aleatória X é

x −1 0 1
(10)
pX (x) 1/4 1/2 1/4
Seja g(x) = x2 e Y = g(X). Calcule E Y .
Solução. A distribuição de variável aleatória Y é
y 0 1 X 1 1 1
, logo EY = ypY (y) = 0 · +1· = .
pY (y) 1/2 1/2 2 2 2
y∈Y

Propriedades de esperança de variável aleatória

Teorema 1. Seja X variável aleatória e g uma função g : R → R. Então
X
E g(X) = g(x)p(x) (11)
x∈X

Demonstração. Na verdade já provamos uma formula muito parecida (veja (9)), mas vamos ver de novo
pois a notação é diferente. Denotamos Y = g(X). Temos
X X X X
g(x)pX (x) = y pX (x) = ypY (y). (12)
x∈X y∈Y x∈X :g(x)=y y∈Y

Exemplo 6. Nas condições do Exemplo 5 calcule E g(X) usando a formula (11).

Solução.
X 1 1 1 1
E g(X) = g(x)p(x) = (−1)2 · + 02 · + 12 · = .
4 2 4 2
x∈X

Observação 5. Um caso particular do Teorema 1 é quando g é função linear, isto é, g(x) = ax + b.
Neste caso temos
E(aX + b) = a E X + b (13)
De fato,
(11) X X
X X (7),(4)
E(aX + b) = (ax + b)p(x) = axp(x) + bp(x) = a xp(x) + b p(x) = a E X + b. (14)
x x x x
Exemplo 7. Nas condições do Exemplo 2 considere a variável aleatória Y : a proporção de peças
defeituosas entre as peças retiradas. Utilizando o resultado do Exemplo 4, calcule E Y .
Solução. Temos Y = 13 X, então E Y = 1
3 E X = 0.2.

3
 Aula 4
Variância de variável aleatória
Definição 4. A variância de uma variável aleatória X é

Var(X) = E(X − E X)2 . (15)

Observação 6. Da Observação 3 segue que Var(X) ≥ 0.

Observação 7. Outro jeito de definir variância de variável aleatória é

Var(X) = E(X 2 ) − (E X)2 . (16)

As duas definições (15) e (16) são equivalentes (veja o Exercı́cio 12).

Exemplo 8. Nas condições do Exemplo 1 ache Var X.

Solução. Sabemos do Exemplo 3 que E X = 1. Temos

(11) X 1 1 1 3
E(X 2 ) = x2 p(x) = 02 · + 12 · + 22 · =
4 2 4 2
Logo
(16) 3 1
Var(X) = E(X 2 ) − (E X)2 = − 12 =
2 2

Observação 8. Temos (veja o Exercı́cio 13)

Var(aX + b) = a2 Var(X). (17)

Definição 5. O desvio padrão de uma variável aleatória X é

p
DP(X) = Var(X). (18)

Função de distribuição acumulada. Quantis.

Definição 6. Seja X variável aleatória. A função de distribuição acumulada (f.d.a.) de X é a função
F : R → [0, 1] tal que
F (x) = P(X ≤ x). (19)

Exemplo 9. Vamos supor que v.a. X tem distribuição (em forma de tabela, desenho e gráfico):

p(x)
1 1 1
x 0 1 2 4 2 4 1/2
p(x) 1/4 1/2 1/4 1/4
0 1 2
1 2 x

Calcule f.d.a. de X e faça o seu gráfico.

 F (x)
0 para x < 0,
1



Solução. F (x) =
1/4 para 0 ≤ x < 1, 3/4
3/4 para 1 ≤ x < 2, 1/2


 1/4
1 para x ≥ 2.
1 2 x
Exemplo 10. Vamos fazer o contrário do Exemplo 9, isto é, dada f.d.a. de X calculamos a distribuição
de X.

4
 Aula 4
Solução. Observe que p(x) é igual ao salto que a função F (x) dá no ponto x. Então temos, por exemplo,
p(1) = F (1) − F (1−) = 34 − 14 = 12 , onde F (a−) = limx→a− F (x).

Observação 9. Uma função de distribuição acumulada é uma função não-decrescente, F (−∞) =

limx→−∞ F (x) = 0 e F (+∞) = limx→+∞ F (x) = 1.
Definição 7. Seja X variável aleatória. Para 0 < p < 1, o p-quantil (ou quantil de ordem p) de X é

Q(p) = inf{x ∈ R : p ≤ F (x)}. (20)

Observação 10. Para valores 1/4, 1/2 e 3/4 temos denominações especiais:

Q1 = Q(1/4) é primeiro quartil,

Q2 = Q(1/2) é mediana ou segundo quartil,
Q3 = Q(3/4) é terceiro quartil.

Exemplo 11. Seja X e Y variáveis aleatórias com seguintes gráficos de f.d.a.:

F (x) F (y)
1 1
2/3
1/2
1/3 1/4
1 2 x −1 1 y
Calcule Q1 , Q2 e Q3 para cada variável aleatória.
Solução. Para variável aleatória X, temos Q1 = 0, Q2 = 1 e Q3 = 1. Para variável aleatória Y , temos
Q1 = 0, Q2 = 1 e Q3 = 1.

Exercı́cios para casa

Exercı́cio 1. Nas condições do Exercı́cio 2.1 (lançamento de dois dados equilibrados), seja X o número
máximo dos valores nas faces. Encontre a distribuição de X.
Exercı́cio 2. Considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas,
sem reposição, e defina a variável aleatória X igual ao número de bolas pretas entre as bolas retiradas.
Obtenha a distribuição de X.
Exercı́cio 3. Repita o exercı́cio anterior, mas considerando extrações com reposição.
Exercı́cio 4. Suponha que uma moeda perfeita é lançada até que cara apareça pela primeira vez.
Seja X o número de lançamentos até que isso aconteça. Obtenha a distribuição de X. (Observe que,
nesse exercı́cio, pelo menos teoricamente, X pode assumir um número infinito de valores.) Note que a
distribuição obtida é chamada distribuição binomial com p = 0.5 e n = 3.
Exercı́cio 5. Uma moeda perfeita é lançada três vezes. Seja Y o número de caras obtidas. Calcule a
distribuição de Y .
Exercı́cio 6. Repita o exercı́cio anterior, considerando agora que a moeda pode ser viciada, sendo a
probabilidade de cara dada por p, 0 < p < 1.
Exercı́cio 7. Generalize o Exercı́cio 6, para n lançamentos da moeda.
Exercı́cio 8. Faça o Exemplo 3, utilizando a formula (8) para calcular E X. Compare os resultados.
Veja se agora ficou mais clara (9).
Exercı́cio 9. Obtenha a média e a variância da variável aleatória X dos Exercı́cios 2 e 3.
Exercı́cio 10. Obtenha a média e a variância da variável aleatória Y do Exercı́cio 5.

5
 Aula 4
Exercı́cio 11. No Exercı́cio 2, obtenha as distribuições das variáveis aleatórias 3X e X 2 .
Exercı́cio 12. Prove que as duas definições (15) e (16) são equivalentes.
Dica: faça de um jeito análogo a (14).
Exercı́cio 13. Prove a equação (17).
Dica: use (11), (15) e (13).
Exercı́cio 14. Suponha que a variável aleatória V tem a distribuição seguinte:
v 0 1
p(v) q 1 − q
Obtenha E(V ) e Var(V ).
Exercı́cio 15. Suponha que a variável aleatória X tem a distribuição seguinte:
x 0 1 2
p(x) 1/2 1/4 1/4
Calcule E(X). Considere a variável aleatória (X − a)2 e calcule E(X − a)2 para a = 0, 1/4, 1/2, 3/4, 1.
Obtenha o gráfico de E(X − a)2 = g(a). Para qual valor de a, g(a) é mı́nimo?
Exercı́cio 16. Um vendedor de equipamento pesado pode visitar, num dia, um ou dois clientes, com pro-
babilidade de 1/3 ou 2/3, respectivamente. De cada contato, pode resultar a venda de um equipamento
por $50.000, 00 (com probabilidade 1/10) ou nenhuma venda (com probabilidade 9/10). Indicando por
Y o valor total de vendas diárias desse vendedor, escreva a função de probabilidade de Y e calcule E(Y ).
Exercı́cio 17. Calcule a variância da variável aleatória Y definida no Exercı́cio 16.
Exercı́cio 18. O tempo T , em minutos, necessário para um operário processar certa peça é uma variável
aleatória com a seguinte distribuição de probabilidade.
t 2 3 4 5 6 7
p(t) 0, 1 0, 1 0, 3 0, 2 0, 2 0, 1
(a) Calcule o tempo médio de processamento.
(b) Para cada peça processada, o operário ganha um fixo de $2, 00, mas, se ele processa a peça em
menos de seis minutos, ganha $0, 50 em cada minuto poupado. Por exemplo, se ele processa a
peça em quatro minutos, recebe a quantia adicional de $1, 00. Encontre a distribuição, a média e
a variância da variável aleatória G: quantia em $ ganhada por peça.
Exercı́cio 19. Obtenha a f.d.a. para a variável aleatória V do Exercı́cio 14. Faça seu gráfico.
Exercı́cio 20. Se X tem distribuição binomial com parâmetros n = 5 e p = 1/2, faça os gráficos de
p(x) e de F (x) para X (veja a observação no fim do Exercı́cio 4).
Exercı́cio 21. Sabe-se que a variável aleatória X assume os valores 1, 2 e 3 e que sua f.d.a. F (x) é tal
que F (1) − F (1−) = 1/3, F (2) − F (2−) = 1/6, F (3) − F (3−) = 1/2. Obtenha a distribuição de X, a
f.d.a. F (x) e os gráficos respectivos.
Exercı́cio 22. Uma variável aleatória X é tal que sua função de distribuição acumulada é dada por



 0 para x < 0,

1/4 para 0 ≤ x < 2,




1/2 para 2 ≤ x < 4,
F (x) =


 3/4 para 4 ≤ x < 6,




 7/8 para 6 ≤ x < 8,

1 para x ≥ 8.
Calcule P(1 ≤ X ≤ 6 | X > 4) e Var(X).

6
 Aula 4
Exercı́cio 23. Obtenha a f.d.a. F (t) da variável aleatória T do Exercı́cio 18.

Exercı́cio 24. Encontre a mediana da variável aleatória Z com distribuição

z 0 1 2 3
p(z) 1/4 1/4 1/4 1/4

Exercı́cio 25. Encontre os quantis de ordens p = 0.25, 0.6, 0.8 para a variável aleatória Z do Exercı́-
cio 24.

Respostas
2.
x 0 1 2 3
p(x) 1/56 15/56 30/56 10/56

6. No contexto apresentado, a distribuição do número de caras é dada por:

 
3 y
P(Y = y) = p (1 − p)3−y , y = 0, 1, 2, 3.
y

9. Exercı́cio 2: E(X) = 1.875, Var(X) = 0.502.

Exercı́cio 3: E(X) = 1.875, Var(X) = 0.703.

10. E(X) = 3/2, Var(X) = 3/4

14. E(V ) = 1 − q, Var(V ) = q(1 − q)

16. Y toma valores 0, 50000, e 100000, com probabilidades 126/150, 23/150 e 1/150, respectivamente.
E(Y ) = 8333.33.

18. E(T ) = 4.6; E(G) = 2.75; Var(G) = 0.4125

FV (v)

0
 para v < 0, 1
19. FV (v) = q para 0 ≤ v ≤ 1,
q

1 para v ≥ 1


1 v 2
24. Q2 = 2.

25. Q(0.25) = 1, Q(0.6) = 2, Q(0.8) = 3.