2.

Variáveis Aleatórias

2 VARIÁVEIS ALEATÓRIAS

2.1 INTRODUÇÃO

Seja S, o espaço amostral de um certo experimento. Como vimos na teoria das probabilidades ou
resultados de um experimento, isto é, os pontos amostrais de S não precisam necessariamente ser
números. Contudo, frequentemente é desejável associar um número específico a cada resultado
do experimento. Esta associação dá lugar a uma variável aleatória.
Uma variável aleatória X num espaço amostral S, é uma variável de S associada a uma
experiência ou a um grupo de experiências aleatórias destinadas a caracterizar o resultado desta
ou deste grupo de experiências.
Observação: Se o espaço amostral S não é numerável, então por motivos teóricos, certas
variáveis definidas em S não serão aleatórias. No entanto, os espaços amostrais considerados
nesta abordagem serão finitos e numeráveis.

2.2 VARIÁVEIS ALEATÓRIAS DISCRETAS

Chama-se variável aleatória discreta (VAD), qualquer variável aleatória em S que varia de
maneira descontínua no seu domínio numerável.

X  x1, x 2 x 3 , ..., x n 

Para facilitar a compreensão, consideram-se apenas variáveis descontínuas aquelas que tomam
unicamente valores inteiros ou nulos.
Exemplo 3.1. Um par de dados é lançado. Observemos o espaço finito equiprovável S
constituído por 36 pares ordenados de números entre 1 a 6. Escreve os elementos da variável
aleatória X no domínio S que associa o maior número em cada ponto do espaço.

Resolução
O número dos elementos no espaço amostral é obtido pelo produto 6*6 = 36 (ver teorema
fundamental de contagem). E o espaço amostral será.
S = {(1,1), (1,2), (1,3), ...., (1,6), (2,1), ...., (6,6)}
A variável X associa o ponto X(a,b) ao max(a,b) ou ao maior número em cada ponto X(s).
X(s) = {1, 2, 3, 4, 5, 6}

Como X(s) varia num espaço finito, para várias experiências repetidas, a cada um dos valores de
x que pode tomar a variável aleatória X, corresponde a uma probabilidade p(x), P(x)  P(X  x)

50
 2. Variáveis Aleatórias

2.2.1 Função ou Lei de distribuição das probabilidades

Diz –se que está definida uma lei de distribuição das probabilidades (ou função da distribuição
de probabilidades – fdp) de uma variável aleatória X se existe correspondência entre todos os
valores possíveis de X e as suas probabilidades p(x) e é usualmente dada na forma de uma tabela.

X x1 x2 x3 ... xn
p(xi) p(x1) p(x2) p(x3) ... p(xn)

Exemplo 2.2. Uma empresa comercializa garrafas de vinho verde de 1 litro. Supõe –se no
entanto que 40% dessas garrafas na realidade contêm uma menor quantidade de líquido do que o
indicado no rótulo. Tendo comprado 6 dessas garrafas, qual a probabilidade de que:
a) Duas garrafas contenham menos de um litro.
b) No máximo duas contenham menos de um litro.
c) Pelo menos duas garrafas contenham menos de um litro.
d) Todas contenham menos de um litro.
e) Todas contenham o volume indicado no rótulo.
f) Represente a lei de distribuição das probabilidades numa tabela.

Resolução:

Seja X o número de garrafas que contêm menos de um litro, X = {0, 1, 2, 3, 4,5, 6} é o espaço
amostral. Tomando p = 0.4 o acontecimento sucesso “ a garrafa tem volume menor do que o
indicado no rótulo e p q = 0.6 o seu insucesso. As probabilidades requeridas podem ser
calculadas pela fórmula de Bernoulli.
n
P(n, p, x)    p x (1  p) n x onde n = 6, q = 1- p
 
 x 
 
6 
a) P( x  2)    * 0.4 2 * 0.6 4  0.3110
 2 
b) P(x  2)  P(x  0)  P(x  1)  P(x  2)  0.0467  0.1866  0.3110  0.5443
c) P(x  2)  1  P(x  2)  1  [P(x  0)  P(x  1)]  1  (0.0467  0.1866)  0.7667
 6 
d) P( x  6)    * 0.46 * 0.60  0.46  0.0041
 6 
e) P(x  0)  0.0467 Já calculado em b

f) Para escrever a lei de distribuição de probabilidades é necessário conhecer as probabilidades

p(3), p(4) e p(5)
6  6 

P( x  3)    * 0.4 * 0.6  0.2765 , P( x  4)    * 0.44 * 0.62  0.1382
3 3

 3   4 
 6 
P( x  5)    * 0.45 * 0.61  0.0369
 5 
51
  2. Variáveis Aleatórias


A lei de distribuição de probabilidades é
X 0 1 2 3 4 5 6
p(x) 0.0467 0.1866 0.3110 0.2765 0.1382 0.0369 0.0041

As probabilidades calculadas e contidas na lei de distribuição gozam de todas as propriedades

das distribuições de frequências relativas. Isto é, dada uma lei num espaço S finito ou infinito, a
soma de todas probabilidades é igual a unidade.

p(x1 )  p(x2 )  ...  p(xn )   p(xi )  1 (3.1)

A lei de distribuição de uma variável aleatória discreta pode ser representada graficamente,
marcando num referencial cartesiano os pontos (x1,p1); (x2,p2), ..., (xn,pn), reunindo-os em
seguida, mediante segmentos de recta, estes pontos fornecem o chamado polígono de
distribuição de frequências.

Exemplo 2.3. Construir o polígono de distribuição das probabilidades da variável aleatória X

dada pela lei.

X 0 1 2 3 4 5 6 x 1 3 6 8
p(x) 0.0467 0.1866 0.3110 0.2765 0.1382 0.0369 0.0041 p(x) 0.2 0.1 0.4 0.3
.4
.3

.3
.2

Probabilidade
Probabilidade

.2
.1

.1
0

Figura 2.1. Polígono de distribuição de probabilidades da variável aleatória X.

O comportamento de uma variável aleatória discreta dada numa lei de distribuição de

probabilidades é definido pela sua função massa de probabilidades (f.m.p) que simplesmente
associa uma probabilidade p(x) a cada valor x que a variável X possa assumir.

Deve-se notar que três propriedades fundamentais das probabilidades são também aqui válidas:
Propriedade 1: 0  p(x)  1
Propriedade 2:  p( x)  1
Propriedade 3: P(a  X  b)   p(x) com a  x  b

52
 2. Variáveis Aleatórias

Exemplo 2.4. Dada a lei de distribuição de probabilidade de uma variável aleatória discreta X,
represente a sua função massa de probabilidades num diagrama de barras.
X 1 3 5 7
p(x) 0.10 0.30 0.45 0.15

Resolução: O diagrama de barras que representa a função massa de probabilidades é:

2.2.2 Função de distribuição acumulada de variáveis discretas

Outra forma de apresentar a lei de distribuição de probabilidades de uma variável aleatória

discreta X. É através da sua função de distribuição acumulada de probabilidades (f.d.p) ou
função de partição das probabilidades.

F(x)  P(X  x)  Σp(x) (3.2)

Propriedades da função de distribuição acumulada

Propriedade 1. Os valores de F(x) no intervalo de 0 à 1: 0  F (x)  1

Propriedade 2. A função F(x) é crescente em escadas, isto é: x2  x1  F (x2 )  F (x1 )
Propriedade 3. Se o domínio de X é o intervalo [a, b]; então:

F(x)  0 p ara x  a
F(x)  1 p ara x  b

Exemplo 2.5. Dada a lei de distribuição de uma variável X, escrever a sua função de distribuição
acumulada das propriedades e apesentar o respectivo gráfico
X 1 3 5 7
p(x) 0.20 0.25 0.40 0.15

Resolução:
A função procurada é obtida somando as propriedades segundo a definição e as propriedades
referidas anteriormente.

53
 2. Variáveis Aleatórias

0.00 se x  1
0.20 se 1  x  3

F(x)  0.45 se 3 x5
0.85 se 5  x  7

1.00 se x  7

O gráfico correspondente é:

Figura 2.3. Função de distribuição acumulada

2.2.3 Características numéricas das variáveis aleatórias discretas

Chama –se esperança matemática ou valor esperado de uma variável aleatória discreta X, a
soma dos produtos dos valores que a variável aleatória pode assumir pelas probabilidades
associadas a estes valores. Se a variável aleatória, se caracterizar por uma série finita de valores,
então a esperança matemática se determina pela fórmula

xi * p( x1 ) x2 * p( x2 ) ... xn * p( xn )

E( x)  , como p(x1 )  p(x2 )  ...  p(xn )  1, então
p( x1 )  p( x2 )  ...  p( xn )

E(x)   xi * p(xi ) (3.3)

Desta definição, pode –se notar que E(x) é a média aritmética ponderada dos valores da variável
aleatória x1, x2, ..., xn para os pesos p(x1), p(x2), ..., p(xn) que correspondem as frequências
relativas. E( x)  x

54
 2. Variáveis Aleatórias

Exemplo 2.6. Um jogador lança duas moedas honestas. Ele ganha 200 meticais se ocorrerem
duas caras e 100 meticais se ocorrer uma cara, por outro lado, ele perde 300 meticais se não
ocorrer nenhuma cara. Pede-se para:
a) Escrever a lei de distribuição das probabilidades deste jogo.
b) Determinar o valor esperado do jogo e diz se ele é favorável ao jogador.

Resolução
O espaço amostral deste jogo tem 4 possibilidades
S = {KK, KC, CK, CC} onde K significa cara e C coroa.
a) Do espaço S, as probabilidades de sair duas caras, uma cara e nenhuma cara são:
P(K=2) = 1/4
P(K=1) = 1/2
P(K=0) = 1/4

A lei de distribuição das probabilidades procurada é

Número de caras X caras p(x)

0 -300 0.25
1 +100 0.50
2 +200 0.25

b) E(x)   xi * p(xi )  200 * 0.25  100 * 0.50  300 * 0.25  25 Meticais.

O valor esperado do jogo é 25 meticais, positivo portanto, é favorável ao jogador.

Propriedades da esperança matemática

Propriedade 1: E(a) = a, onde a é uma constante;

Propriedade 2: E(aX) = a*E(X), a é constante, X é uma variável aleatória discreta;
Propriedade 3: E(a +b*X) = a + b*E(X), a e b são constantes, X é uma v.a.d.
Propriedade 4: E(X+Y) = E(X) + E(Y); E(X-Y) = E(X) – E(Y), X e Y são v.a.d.
Propriedade 5: E(X*Y) = E(X)*E(Y), X e Y são v.a.d.

Por exemplo, encontrar a esperança matemática da variável aleatória Z que se expressa através
das variáveis X e Y cujas médias são conhecidas: Z = 3X+2Y, E(X) = 5 e E(Y) = 3

Resolução
E(Z) = E(3X+2Y) = E(3X)+E(2Y) = 3E(X)+2E(Y) = 3*5+2*3 = 15+6 = 21

Chama-se variância de uma variável aleatória X, a esperança matemática dos quadrados dos
desvios desta variável em relação a sua esperança matemática.
 2 (x)  x1  E(x) * p(x1 )  x 2  E(x) * p(x 2 )  ...  xn  E(x) * p(x n )
2 2 2

Ou melhor  2 (x)  xi  E(x) * p(xi )  E(x  E(x)) 2

2

55
 2. Variáveis Aleatórias

O cálculo da variância também pode ser realizado comodamente pela fórmula

 2 (x)  E(x 2 )  E(x) 2 (3.4)

O valor da variância de uma variável aleatória X, caracteriza o grau de dispersão dessa variável
em relação a sua esperança matemática.

Denomina–se desvio padrão ou desvio médio quadrático de uma variável aleatória X, a raiz
quadrada da respectiva variância.

 (x)  var(x)  E(x 2 )  E(x) 2 (3.5)

Exemplo 2.7. A variável aleatória X, se caracteriza pela seguinte lei de distribuição das
probabilidades.

X 0 1 2 3 4
P(x) 0.20 0.40 0.30 0.08 0.02

Determinar a esperança matemática, variância e desvio padrão da variável aleatória X

Resolução
Vamos dispor numa tabela os valores e verificarmos o procedimento de cálculo.

X P(x) x * p(x) x  E(x) x  E(x)2 * p(x) x 2 * p(x)

0 0.20 0.00 - 1.32 0.348480 0.00
1 0.40 0.40 - 0.32 0.040960 0.40
2 0.30 0.60 +0.68 0.138720 1.20
3 0.08 0.24 +1.68 0.225792 0.72
4 0.02 0.08 +2.68 0.143648 0.32
soma 1.00 1.32 - 0.897600 2.64

a) Esperança matemática: E(x)   x * p(x)  1.32

b) Variância  2 (x)  x  E(x) * p(x)  0.8976
2

Ou  2 (x)  E(x2 )  E(x)2  2.64  1.322  0.8976

 

c) Desvio padrão:  (x)  E(x 2 )  E(x)2  0.8976  0.9474

Propriedades da variância

Propriedade 1. var(a)  0 ; a é uma constante

Propriedade 2. var(aX )  a 2 * var* ( X ) ; a constante e X é uma v.a.d
Propriedade 3. var(a  bX )  b2 * var( X ) ; a e b são constantes, X é uma v.a.d
Propriedade 4. var( X  Y )  var( X )  var(Y ) ; X e Y são v.a.d

56
 2. Variáveis Aleatórias

2.3 VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Diz –se que uma variável aleatória X é contínua, quando ela pode tomar qualquer valor real
pertencente ao intervalo dado de forma contínua, por exemplo no intervalo ( ;  ) .

A título de exemplo vejamos; o peso de um indivíduo retirado ao acaso de uma dada população é
uma variável aleatória contínua que só pode tomar valores positivos.

2.3.1 Função de distribuição acumulada de variáveis contínuas

É possível em certos casos, determinar a probabilidade de observar um valor compreendido num

intervalo dado (x ; x  Δx) , isto é: P(x  X  x  x)

Em geral esta probabilidade tende para zero quando o acréscimo da variável tende para zero
(x  0) , isto é, a probabilidade de uma v.a.c obter exactamente um valor é nula. Donde se
conclui, que a noção de distribuição de probabilidades deixa de ter sentido para uma variável
contínua; pelo contrário a função de distribuição conserva todo o seu significado.

Denomina –se função de distribuição acumulada (f.d.a) de uma variável aleatória contínua X,
a função F(X) que a cada x faz corresponder a probabilidade de que X assuma um valor
estritamente inferior a este x.

F ( X )  P( X  x) (3.6)

Deve-se notar que para variáveis aleatórias contínuas, a função de distribuição ou de partição
poderá ter expressões em x em alguns intervalos do seu domínio.

Propriedades da função de distribuição

Propriedade 1. Os valores de F(X) pertencem ao intervalo [0; 1]: 0  F ( X )  1

Propriedade 2. A função de distribuição F(X) é crescente: x2  x1  F (x2 )  F (x1 )

Corolário 2.1. A probabilidade de que uma v.a.c. X, assuma um valor num intervalo (a, b) é
igual ao acréscimo da função de distribuição de X neste intervalo.

P(a  X  b)  F (b)  F (a) (3.7)

Corolário 2.2. A probabilidade de que uma v.a.c. X assuma um valor xo é nula.

P( X  xo )  0 (3.8)

Propriedade 3. Se o domínio de uma variável X estiver compreendido num intervalo (a, b);
então a função de distribuição F(X) dessa variável satisfaz as relações:

57
 2. Variáveis Aleatórias

F(X)  0 p ara x  a ou quando x  

F(X)  1 p ara x  b ou quando x  



Exemplo 2.8. Dada a função de distribuição da variável aleatória contínua X, a saber:
0 p ara x  2
1

F ( x)   x  1 p ara 2  x  4
2
1 p ara x  4
Calcular a probabilidade de que X assuma um valor:
a) Inferior a 0.2;
b) Inferior a 3;
c) Igual ou superior a 3;
d) Igual ou superior a 5.

Resolução
Tendo em conta as probabilidades da função F(x), temos
a) Para x  2 tem –se F(x) = 0 em particular F(0.2) = 0, de onde P(x  0.2)  0
b) Como 3 está no intervalo ]2;4], vamos usar a fórmula (3.7) para o intervalo 2< x< 3, portanto
1 1
P(x < 3) = P( x  2)  P(2  x  3)  0  F (3)  F (2)   * 3  1   * 2  1  0.5
   
2  2 
c) Os acontecimentos x  3 e x  3são complementares, isto é: P(x  3)  P(x  3)  1, então
P(x  3)  1  P(x  3)  1  0.5  0.5
d) Para acontecimentos complementares: P(x  5)  P(x  5)  1 e para x > 4, cumpre-se
F(x) = 1, então obtemos P(x  5)  1  P(x  5)  1  F (5)  1 1  0

2.3.2 Função densidade de probabilidades

O cálculo de probabilidade para uma variável contínua é observado para um intervalo dado
(x ; x  Δx)

P(x  X  x  x)  F (x  x)  F (x) (3.9)

Por outro lado, se a função de distribuição F(x) é expressa sob forma analítica for derivável então

F ( x x) F ( x) dF
lim   f ( x) (3.10)
x 0 x x
O quociente entre a variação da função F e a variação do argumento x quando x  0 .

58
 2. Variáveis Aleatórias
Tende á função f(x), chamada função densidade de probabilidade (f.d.p) ou simplesmente
densidade de probabilidades (d.p).

Denomina-se densidade de probabilidade de uma variável aleatória contínua X, a primeira

derivada da sua função de distribuição.

f (x)  F ( X )' (3.11)

A função f(x) constitui uma forma idealizada da frequência unitária ou densidade de frequência,
uma vez que é definida a partir do quociente de função massa de probabilidades relativa a um
intervalo dado pelo comprimento desse intervalo. A probabilidade é expressa através da função
densidade de probabilidades da seguinte forma:

b
P(a  X  b)   f (x)dx  F (b)  F (a) (3.12)
a

Da formula anterior, conclui-se que, se é conhecida a densidade de probabilidade f(x), a função

de distribuição acumulada é encontrada pela formula.

F ( x)   f ( x)dx
b
(3.13)
a

A probabilidade ora, aqui calculada tomando f(x) uma função contínua, representa uma área
limitada pelo gráfico da função f(x), pelo eixo OX e pelos limites inferior e superior do intervalo
dado.

f(x) f(x)

a b a b

Propriedades da função densidade de probabilidades

Naturalmente sendo f(x) proporcional a probabilidade, as três propriedades fundamentais são

mantidas:
Propriedade 1. A função densidade de probabilidade é sempre positiva: f (x)  0
Propriedade 2. A área total limitada pela função densidade de probabilidade e pelo eixo OX é
igual a unidade ou 100%.
 
P(  X  )   f (x)dx  1 (3.14)


59
 2. Variáveis Aleatórias

Propriedade 3. A probabilidade de que uma variável aleatória contínua X, assuma um valor no

intervalo (x1, x2 ) é dada pela fórmula de Newton – Leibniz.

P(x1  X  x2 )  F (x2 )  F (x1 ) (3.15)

60
 2. Variáveis Aleatórias

De um modo geral, o conjunto dos valores admitidos para uma v.a.c e a função f(x)
correspondente definem uma distribuição teórica contínua, que é uma forma idealizada das
frequências relativas agrupadas em classe sob forma de varáveis contínuas. Rigorosamente,
quando o número de classe aumenta, o polígono de distribuição e frequências acumuladas
aproxima-se a uma linha cuja equação é a função de distribuição.

Exemplo 2.9. Seja X uma variável aleatória contínua com a seguinte função densidade de
probabilidades

2x se 0  x  1
f ( x)  
0 caso contrario
a) Construa a sua função de distribuição das probabilidades.
b) Calcule a probabilidade de que x assuma um valor no intervalo 1/ 4 ; 3 / 4

Resolução
a) Usando as propriedades da função F(x) temos:
x
Para x < 0 ; F ( x)   0dx  0
 
0 x
1
Para 0  x  1 ; F ( x)   0dx   2xdx  0  2x 2  x 2
 0 2
0 1 
Para x  1 ; F ( x)   0dx   2xdx   0dx  1
 0 1

Logo a função de distribuição procurada é:

0 se x  0

F ( x)  x 2 se 0  x  1
1 se x  0


b) P(1/ 4  x  3/ 4)  F (3 / 4)  F (1/ 4)  (3/ 4)2  (1/ 4)2  1/ 2

Exemplo 2.10. Uma variável aleatória contínua tem a seguinte função densidade de
probabilidade.
0 se x  0
 2
f ( x)  kx se 0  x  1
0 se x  1

a) Determinar o valor da constante K
b) Determinar a função de distribuição F(x) para os intervalos indicados.

Resolução
 
a) Usando a propriedade 2 da função densidade de propriedades, 

f ( x)dx  1 , teremos:

61
 2. Variáveis Aleatórias

0 1   1
k
 odx   kx dx  
3
|  1  k 3
2
 0 1 1
0dx  1  k x 0
 1, entao
3 3

b) Vamos usar as propriedades da função F(x)

Pare x < 0 ; F ( x)   odx  0
x


1 x
Para 0  x  1 ; F (x)   odx   3x 2dx  0  3 * x 3 |  x 3
0 x

 0 3 0

0 1  1 1
Para x  1 ; F (x)   odx   3x 2 dx   0dx  0  3 * x 3 |  0  1
 0 1 3 0
Portanto a função F(x) procurada é:
0 se x  0
 3
F ( x)  x se 0  x  1
1 se x  1


2.3.3 Características numéricas das variáveis aleatórias contínuas

Definição: Se X é uma variável aleatória contínua, com a função densidade de probabilidade

f(x), o valor esperado de X é definida por:

 
E( x)   xf ( x)dx (3.16)


O valor esperado de X é também chamado de média ou esperança matemática ou

simplesmente esperança de X. Tal como no caso de variável aleatória discreta, as vezes é
denotada por EX , E(x),  ou x

Se o domínio de variável X é um intervalo finito [a; b], os limites de integração serão

substituídos por a e b
b
E(x)   xf (x)dx (3.17)
a

Se x for expresso por uma função de argumento aleatório, por exemplo y(x), então
E(x)   y(x) f (x)dx
b

a
Observação: Todas as propriedades da E(x) consideradas para variáveis aleatórias discretas são
também validas para variáveis aleatórias contínuas.

Definição: Se X é uma variável aleatória contínua, cuja esperança é E(x)   , então a variância
e desvio padrão de X são respectivamente definidos por:
var(x)   (x  E(x))

f ( x)dx  
  2  2
 
2
x f ( x)dx   xf ( x)dx  E( X 2 )  E( X )2 (3.18)
     
  
 (x)  var(x)  E(x  E(x)) 2 (3.19)

62
 2. Variáveis Aleatórias

Observação: Todas as propriedades para v.a.d também são válidas para v.a.c.

Exemplo 2.11. Calcular o valor esperado, a variância e desvio padrão da variável definida pela
função densidade do exemplo 3.10 para k = 3.

0 se x0

f ( x)  3 x 2 se 0  x 1
0 se x 1


Resolução
 1 1 1 1 3
a) Esperança: E( x)   x f (x)dx   x * 3x 2dx  3 x 3dx  3 x 4 | 
 0 0 4 0 4
 3 1 9 27 2  3
b) Variância: var( x)   ( x  E( x)) 2 f ( x)dx   ( x  ) 2 * 3x 2dx   3x 4  x 3 
1
x  
 0 4 0
 2 16  80
3
c) Desvio padrão:  ( x)   0.1940
80

Exemplo 2.12. O tempo contado em minutos, entre a preparação e entrega de um certo produto
numa pizza shop é uma variável aleatória contínua cuja função densidade de probabilidades é:

1
 se 25  x  40
f ( x)  15
0 caso contrario
Determine a média e desvio padrão do tempo gasto pela pizza shop para entregar o produto em
análise.

Resolução
1 1 975
Média: E( x)   x
40
dx  (402  252 )   32.5
25 15 30 30
40 1 1 48375
E( x 2 )   x 2 dx  (403  253 )   1075
25 15 45 45

Variância: var(x)  E( X 2 )  E(x)2  1075  (32.5)2  18.75 e  (x)  var(x)  4.33

63