MINISTÉRIO DA EDUCAÇÃO

SECRETÁRIA NACIONAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA – SETEC

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA – IF BAIANO
CAMPUS URUÇUCA

Aula 7 – Variáveis Aleatórias

Disciplina: Estatística I
Professor: Leandro Sampaio Oliveira Ribeiro
 Algumas definições ...
• População: conjunto de tudo o que interessa ao estudo de um problema
de pesquisa, segundo alguma característica pré-selecionada;

• Amostra: qualquer subconjunto não vazio de uma população, ou seja,

qualquer parte não vazia de uma população;

• Variável: tem por característica apresentar uma variabilidade quando são

realizadas sucessivas mensurações;

• Variável qualitativa: caracterizada numa pesquisa por se referir a

avaliações subjetivas;

• Variável quantitativa: caracterizada numa pesquisa por se referir a

avaliações objetivas, de caráter numérico.
 Fases de uma pesquisa estatística
• Definição do problema: é o tema que vai nortear a pesquisa;

• Formulação de um plano de coleta de dados: permite definir qual o

melhor instrumento para coletar os dados da pesquisa;

• Coleta dos dados: é a execução do plano de coleta de dados com o uso do

instrumento proposto;

• Análise dos dados coletados: permite organizar e analisar os dados

coletados;

• Apresentação dos dados coletados: forma de expor os resultados da

pesquisa.
Objetivo da aula:
• Conceituar e Identificar fenômenos e experimentos relacionados a variável
aleatória;
• Desenvolver o estudo sobre as variáveis aleatórias discretas e contínuas;
• Tomar decisões diante de situações-problema, baseado na interpretação das
informações e nos conhecimentos sobre variáveis aleatórias;
•Desenvolver o estudo sobre distribuições de probabilidade.
•Elaborar argumentos consistentes, de diferentes naturezas, fazendo uso de
conhecimentos sobre variáveis aleatórias discretas e contínuas bem como
distribuições de probabilidade.
 Probabilidades
Já vimos que as probabilidades podem ser definidas
de diferentes maneiras:

Definição clássica
Definição experimental
Definição subjetiva
Definição axiomática
 Probabilidades
• Vamos relembrar algumas definições
• Um experimento, que ao ser realizado sob as mesmas condições
não produz os mesmos resultados, é denominado um experimento
aleatório. Exemplo: lançamento de uma moeda, medir altura, . .
.
• O conjunto de todos os possíveis resultados de um experimento
aleatório é denominado espaço amostral (S). Pode conter um
número finito ou infinito de pontos. Exemplo: {cara, coroa}, R, .
..

• Os elementos do espaço amostral (pontos amostrais) são

denotados por E. Exemplo: E1 = cara, E 2 = coroa.
• Todo resultado ou subconjunto de resultados de um experimento
aleatório, é um evento. Exemplo: A = “sair cara”, B = “sair face
Par”
 Probabilidades
Axiomas de probabilidade
Vamos considerar probabilidade como sendo uma função P(·) que
associa valores numéricos à um evento A do espaço amostral, e que
satisfaz as seguintes condições

i) P(S) = 1; P(∅) = 0
ii) 0 ≤ P(A) ≤ 1
iii) P(A ∪B) = P(A) + P(B) se, e seomente se A ∩B = ∅

Osaxiomas asseguram que asprobabilidades podem ser interpretadas

como frequências relativas.
 Variáveis aleatórias
Em probabilidade, uma função X que associa a cada evento do
espaço amostral um número real X (S) ∈ R, é denominada uma
variável aleatória (V.A.)

Uma variável aleatória pode ser classificada como discreta ou

contínua, dependendo do domínio dos valores de X .

Exemplo: o número de alunos em uma sala éuma variável aleatória

(discreta), denotada por X (maiúsculo). Uma observação dessa variável
édenotada pela respectiva letra minúscula, e.g., x = 50 alunos.

Em geral, denotamos a probabilidade de uma V.A. X assumir

determinado valor x como

P[X ] ou P[X = x]
 Variáveis aleatórias
Experimento
Lançamento de duas moedas. X = número de resultados cara (C)

elementos de S

CR CC

RR RC

valores de X R
0 1 2
 Variáveis aleatórias
Dada a realização de um experimento aleatório qualquer, com
um certo espaço de probabilidade, desejamos estudar a estrutura
probabilística de quantidades associadas à esseexperimento.
Note que antes da realização de um experimento, não sabemos
seu resultado, entretanto seu espaço de probabilidade pode ser
previamente estabelecido.
Dessa forma, podemos atribuir probabilidades aos eventos desse
espaço amostral, dando origem ao conceito de variável
aleatória.
 Distribuições de probabilidade
Existem diversos modelos probabilísticos que procuram descrever
vários tipos de variáveis aleatórias: são as distribuições de
probabilidade de variáveis aleatórias (discretas ou contínuas).
A distribuição de probabilidades de uma V.A. X é, portanto, uma
descrição das probabilidades associadas com os possíveis valores de
X . Os valores que X assume determinam o suporte (S) da V.A.
Variáveis discretas → suporte em um conjunto de valores
enumeráveis (finitos ou infinitos)
Variáveis contínuas → suporte em um conjunto não
enumerável de valores
 Distribuições de probabilidade
Denomina-se de distribuição de probabilidade de alguma variável
aleatória, a regra geral que define a
função de probabilidade (fp) (V.A.s discretas), ou a
função densidade de probabilidade (fdp) (V.A.s contínuas)
para a variável de interesse.
Existem muitas distribuições de probabilidade, mas algumas
merecem destaque por sua importância prática.

Estas distribuições também são chamadas de

modelos probabilísticos
 Variável

Em qualquer tipo de estudo, há sempre a

atributo necessidade de se focar em um ou mais atributos
(características) dos elementos que compõem esta
população (S)

(S) Estes atributos constituem as variáveis de estudo

atributos quantitativos:
. biomassa (peso)
. altura

atributos qualitativos:
. espécie
. fase fenológica
2
 Tipos de Mensuração

nominal cor (azul, verde, amarelo, branco, cinza)

ordinal ranking (ótimo, bom, regular, ruim, péssimo)

atributo
intervalar temperatura (Celsius, Fahrenheit, Kelvin)
(zero representa apenas uma posição na escala)

proporcional (racional) peso (grama, quilo, tonelada)

(zero representa ausência do atributo)

(S)

Por uma conveniência matemática, este atributo deveria ser representado por
números que podem ser combinados e/ou sumarizados através de inúmeras
manipulações algébricas: soma, produto, mínimo, máximo, média, mediana, etc

Por definição, todos os atributos quantitativos já possuem esta propriedade como será
visto a seguir, para atributos qualitativos, regras devem ser definidas para transformá-
los em números
 Variável Aleatória

v.a. discreta
atributo transformação número
v.a. contínua
variável aleatória

Definição: variável aleatória (v.a.) é uma função que

associa cada elemento de S a um número.
(S)
0

Propriedades de uma v.a.:

• Cada elemento de S deve estar associado a um (S)
1

2 √
3 0
único número
• Todos os elementos de S devem estar
associados a algum número
• Vários elementos de S podem estar associados (S)
1

2 Х
3
ao mesmo número 0

(S)
2

3
Х 4
 Variável Aleatória

É a característica de interesse que é medida em

cada elemento da amostra ou população.

Como o nome diz, seus valores variam de

elemento para elemento. As variáveis podem ter
valores numéricos ou não numéricos.

Uma variável aleatória pode ser classificada em:

 Variável Aleatória
Variáveis Quantitativas: são as características que podem ser
medidas em uma escala quantitativa, ou seja, apresentam valores
numéricos que fazem sentido. Podem ser contínuas ou discretas.

Variáveis discretas: características mensuráveis que podem assumir

apenas um número finito ou infinito contável de valores e, assim,
somente fazem sentido valores inteiros. Geralmente são o resultado
de contagens. Exemplos: número de filhos, número de bactérias por
litro de leite, número de cigarros fumados por dia.

Variáveis contínuas, características mensuráveis que assumem

valores em uma escala contínua (na reta real), para as quais valores
fracionais fazem sentido. Usualmente devem ser medidas através de
algum instrumento. Exemplos: peso (balança), altura (régua), tempo
(relógio), pressão arterial, idade.
 Variável Aleatória
Variáveis Qualitativas (ou categóricas): são as características que
não possuem valores quantitativos, mas, ao contrário, são definidas
por várias categorias, ou seja, representam uma classificação dos
indivíduos. Podem ser nominais ou ordinais.

Variáveis nominais: não existe ordenação dentre as categorias.

Exemplos: sexo, cor dos olhos, fumante/não fumante, doente/sadio.

Variáveis ordinais: existe uma ordenação entre as categorias.

Exemplos: escolaridade (1o, 2o, 3o graus), estágio da doença (inicial,
intermediário, terminal), mês de observação (janeiro, fevereiro,...,
dezembro).
 Variável Aleatória

• Variável aleatória discreta

Uma v.a. é discreta quando o conjunto de valores possíveis

que ela assume for finito ou infinito enumerável.

21
Exemplo:
Observa-se o sexo (característica) das crianças em
famílias com três filhos (M: masculino e F: feminino).

Espaço amostral:
 = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
w1 w2 w3 w4 w5 w6 w7 w8

Defina X: nº de crianças do sexo masculino (M).

 MMM MMF MFM FMM MFF FMF FFM FFF
X 3 2 2 2 1 1 1 0

 Então X assume valores no conjunto {0, 1, 2, 3}, logo é

uma variável aleatória discreta.

22
Exemplo:
No mesmo experimento...
Espaço amostral:
 = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
w1 w2 w3 w4 w5 w6 w7 w8

Podemos definir agora

Y: nº de crianças do sexo feminino (F).
 MMM MMF MFM FMM MFF FMF FFM FFF
Y 0 1 1 1 2 2 2 3

 Então Y também assume valores no conjunto {0, 1, 2, 3},

porém, para outros valores de .

23
 Variável Aleatória
Experimento: jogar 2 moedas (R$1,00 e R$0,50) e observar o resultado

Definindo uma v.a. X: número de caras em 2 lances de moeda

X() (representa o escopo da v.a.)

2
K  cara C  coroa

X(C1C0,50) = 0
1 X(K1C0,50) = X(C1K0,50) = 1
X(K1K0,50) = 2

P(X = 0) = P(C1C0,50)
0 P(X = 1) = P(K1C0,50  C1K0,50)
P(X = 2) = P(K1K0,50)


OBS: em P(X = x), a natureza funcional da v.a. foi suprimida. De fato, a expressão mais
correta seria P(   | X() = x).
por definição, os valores de uma v.a. são sempre mutuamente exclusivos
5
 Variável Aleatória Discreta
Exemplos:

a) jogar um dado
X: ponto obtido no dado
X = {1, 2, 3, 4, 5, 6}
X: = 1 se ponto for igual a 6
= 0 caso contrário
X = {0, 1}

b) jogar 5 moedas (ou uma moeda 5 vezes)

X: número de caras em 5 lances
X = {0, 1, 2, 3, 4, 5}

c) jogar uma moeda até tirar uma cara

X: número de jogadas até tirar uma cara (incluindo-se a cara)
X = {1, 2, 3, ...}
X: número de coroas até tirar uma cara
X = {0, 1, 2, ...}

2
5
 Variável Aleatória Discreta
Exemplos:

d) sortear um ponto de uma imagem (8bits)

X: valor de nível de cinza
X = {0, 1, ..., 255}
X: = 1 se valor de nível de cinza for menor que 100
= 0 caso contrário
X = {0, 1}

e) sortear 5 pontos em um mapa pedológico

X: número de pontos correspondentes à classe Argissolo
X = {0, 1, 2, 3, 4, 5}

f) sortear pontos em um mapa de vegetação até que se encontre a classe Cerrado

X: número de pontos sorteados (incluindo-se o ponto da classe Cerrado)
X = {1, 2, 3, ...}
X: número de pontos sorteados (excluindo-se o ponto da classe Cerrado)
X = {0, 1, 2, ...}

2
6
 Variável Aleatória

• Variável aleatória contínua

Uma v.a. é contínua quando o conjunto de valores possíveis

que ela assume for não enumerável.

27
Exemplo:

Observa-se o tempo de vida, em horas, de lâmpadas

produzidas por uma fábrica.

Defina T: tempo de vida, em horas, da lâmpada escolhida,

ao acaso, da fábrica.

 Então, T é uma variável aleatória contínua que

assume qualquer valor real não negativo.

28
 Variáveis aleatórias discretas
A função de probabilidade (fp) da VA discreta X , que assume os
valores x , x ,1 . .2. ,x , ..n ., é a função que atribui probabilidades a
cada um dos possíveis valores: {[xi , p(xi )], i = 1, 2, . . .}, ou seja,

P[X = xi ] = p(xi ) = pi ,i = 1, 2, . . .

com as seguintes propriedades:

i) A probabilidade de cada valor deve estar entre 0 e1

0 ≤ p(xi ) ≤ 1, ∀i = 1, 2, . . .

ii) A soma de todas as probabilidades éigual a 1

29 / 81
 Variáveis aleatórias discretas
Experimento
Lançamento de duas moedas. X = número de resultados cara (C)

elementos de Ω

CR CC

RR RC

valores
R
de X 0 1 2
 Variáveis aleatórias discretas
Podemos montar uma tabela de distribuição de frequência para a
variável aleatória X = número de resultados cara (C)

X Frequência (fi ) Frequência relativa (fri )

0 1 1/4
1 2 2/4
2 1 1/4
Total 4 1

Assim podemos associar a cada valor de X sua probabilidade

correspondente, como resultado das frequências relativas

P[X = 0] = 1/4
P[X = 1] = 2/4 = 1/2
P[X = 2] = 1/4

31 / 81
 Variáveis aleatórias discretas
Dessa forma, a distribuição de probabilidade da variável aleatória
X = número de resultados cara (C) éa tabela

Repareque aspropriedades da função de probabilidade estão

satisfeitas:
i) As probabilidades p(xi ) estão entre 0 e 1
ii) A soma de todas as probabilidades p(xi ) é 1

32 / 81
 VARIÁVEL ALEATÓRIA DISCRETA

Função de probabilidade: É a função que atribui a cada

valor xi da v. a. discreta X sua probabilidade de
ocorrência e pode ser representada pela tabela:
x x1 x2 ... xn
P(X=x) P(X=x1) P(X=x2) ... P(X=xn)

Uma função de probabilidade deve satisfazer:

n
0  P( X  xi )  1 e  P( X  xi ) 1
i 1
33
Exemplo 1:
O Departamento de Estatística é formado por 35
professores, sendo 21 homens e 14 mulheres. Uma
comissão de 3 professores será constituída sorteando,
ao acaso, três membros do departamento.
Qual é a probabilidade da comissão ser formada por
pelo menos duas mulheres?

Vamos definir a v.a.

X: nº de mulheres na comissão.
Quais são os possíveis valores que X pode assumir?

34
 Espaço amostral Probabilidade X

(HHH) 21  20  19  0,203 0
35 34 33
(HHM) 21  20  14  0,150 1
35 34 33
(HMH) 21  14  20  0,150 1
35 34 33
(MHH) 14  21  20  0,150 1
35 34 33
(HMM) 21  14  13  0,097 2
35 34 33
(MHM) 14  21  13  0,097 2
35 34 33
(MMH) 14  13  21  0,097 2
35 34 33
(MMM) 14  13  12  0,056 3
35 34 33
x 0 1 2 3
P(X = x) 0,203 0,450 0,291 0,056
Assim, P(X  2) = P(X=2) + P(X=3) = 0,291 + 0,056 = 0,347.
35
Exemplo 2: Um dado é lançado duas vezes, de forma
independente. Qual é a probabilidade da soma dos
pontos nos dois lançamentos ser menor do que 6?

 = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),

(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.

Qual é a probabilidade de cada ponto wi de  ?

Admitindo que o dado é perfeitamente homogêneo e
sendo os lançamentos independentes,
P(wi) = 1/36 , qualquer wi  .
36
Defina X: soma dos pontos nos dois lançamentos do dado.

Função de probabilidade de X: 

x 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Então,
P(X < 6) = P(X=5) + P(X=4) + P(X=3) + P(X=2)
= 4/36 + 3/36 + 2/36 + 1/36
= 10/36 = 0,278

37
X: Soma dos pontos nos dois lançamentos
20. lançamento
1 2 3 4 5 6
1 2 3 4 5 6 7
0
1.
2 3 4 5 6 7 8
Lan
3 4 5 6 7 8 9
ça-
4 5 6 7 8 9 10
men- Y: valor máximo obtido dentre os
5 6 7 8 9 10 11
to dois lançamentos.
6 7 8 9 10 11 12 20. lançamento
1 2 3 4 5 6
1 1 2 3 4 5 6
0
1.
2 2 2 3 4 5 6
Lan
3 3 3 3 4 5 6
ça-
4 4 4 4 4 5 6
men-
5 5 5 5 5 5 6
to
38 6 6 6 6 6 6 6
Podemos estar interessados em outras variáveis aleatórias
definidas para o mesmo espaço amostral.

Y: valor máximo obtido dentre os dois lançamentos.

y 1 2 3 4 5 6
P(Y = y) 1/36 3/36 5/36 7/36 9/36 11/36

Z: diferença entre os pontos do 2º e do 1º lançamento.

z -5 -4 -3 -2 -1 0 1 2 3 4 5
P(Z = z) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

39
 Medidas Descritivas Básicas

Medidas de Posição ou Tendência

Medidas de Dispersão
central

Desvio Variância
Média Moda
padrão

Mediana Coeficiente
de Variação

40
 Estatística Descritiva

 Estatística Descritiva
Descritiva:: trata da coleta, da organização,
classificação, apresentação e descrição dos dados de
observação

41