Princípios Probabilidadeprincípios Da Probabilidade

PROBABILIDADES CONJUNTAS
PRINCÍPIOS DA PROBABILIDADE
Autor(a): Dra. Mariza Akiko Utida
Revisor: Fábio Santiago
Tempo de leitura do conteúdo estimado em 1 hora e 7 minutos.

Introdução
Caro(a) estudante, neste material, você irá rever uma introdução de probabilidades, estudando os
conceitos e exemplos pertinentes da probabilidade, bem como as equações e aplicações, de modo
que seja possível entender e analisar o comportamento de diferentes fenômenos em algumas
áreas.
Você estudará algumas funções para a determinação de probabilidade conjunta, compreendendo a

definição e a aplicação de função de massa, de densidade e de probabilidade condicional, aplicadas
nos modelos de variáveis aleatórias unidimensionais discretas e contínuas, bem como de variáveis
aleatórias bidimensionais.
Por fim, esta unidade irá abordar a conceituação e a análise de variáveis aleatórias dependentes e
independentes, avaliando os procedimentos que definem quando duas variáveis aleatórias são
independentes.
Bons estudos!
Distribuições Conjuntas
de Probabilidade
Para você entender a teoria da probabilidade , é necessário ter em mente que tal entendimento
consiste em estudar diversos fenômenos do nosso dia a dia , ou seja, a probabilidade consiste em
utilizar a intuição humana para estudar os fenômenos do nosso cotidiano. Trata-se do ramo da
matemática que estuda experimentos aleatórios, por meio do qual é possível analisar as chances de
um determinado evento ocorrer.
Quer ver alguns exemplos? Quando você já sabe para qual curso deseja prestar vestibular, é preciso
estimar as chances de conseguir a vaga almejada. No lançamento de uma moeda, há a chance de
ela cair no chão com a face em cara ou em coroa. Nos jogos de loteria, é de conhecimento que
existe a probabilidade de ganhar (mesmo essa probabilidade sendo pequena, ela existe).
O termo “probabilidade” vem do latim probare , significando “testar” ou “provar”. A probabilidade tem
um papel muito importante em situações que envolvem a tomada de decisão.
Segundo Devore (2011, p. 45, grifos do autor), “a probabilidade é

o estudo da aleatoriedade e da incerteza , onde ocorrem
diversos resultados oferecendo métodos de quantificação ou
possibilidades de ocorrer diversos resultados”, tendo o seu
início há mais de 300 anos, para questões que envolviam jogos.
Fonte: Nataliya Popova / 123RF.
De acordo com Meyer (1984), um pré-requisito para entender o conteúdo é conhecer os conceitos
básicos da teoria de conjuntos, que consiste, durante a manipulação dos dados estatísticos, na
aproximação de valores, devendo-se utilizar o máximo possível de casas decimais.
Morettin (2010) define o estudo da probabilidade como o estudo de fenômenos, e classifica os

experimentos em dois tipos. O primeiro tipo engloba os fenômenos determinísticos (conhecidos
como não aleatórios), sendo aqueles em que os resultados não mudam nunca, ou seja, são sempre
os mesmos, para qualquer que seja o número de ocorrências verificadas. Já o segundo tipo engloba
os fenômenos aleatórios (também conhecidos como casuais), e consiste em resultados
imprevisíveis, ou seja, mesmo que as condições iniciais sejam iguais, os resultados finais de cada
tentativa do experimento serão diferentes e não previsíveis.
REFLITA
As propriedades de uma população são estudadas a partir da

observação de um certo número de variáveis ou atributos. As
variáveis podem ser de natureza qualitativa ou quantitativa. As
variáveis quantitativas podem, ainda, dividir-se entre discretas e
contínuas. As variáveis discretas assumem apenas um número
finito numerável de valores; já as variáveis contínuas podem
assumir um número finito não numerável ou um número infinito de
valores.
Exemplo: um conjunto de empresas pode ser analisado em termos
de setor de atividade (atributo qualitativo), número de
trabalhadores (atributo quantitativo discreto), rácio de autonomia
financeira (atributo quantitativo contínuo) etc.
Fundamentação Teórica
A fim de dar início aos estudos da teoria das probabilidades, após coletar e descrever os dados,
deve-se criar e interpretar uma distribuição de probabilidades, sendo necessário compreender o
conceito de variável aleatória.
Aqui, você aprenderá sobre as variáveis aleatórias unidimensionais, bem como sobre atribuições de
probabilidades em diferentes situações, ou seja, um conjunto de valores X das variáveis aleatórias,
associando a probabilidade a cada possível resultado do espaço amostral ou do intervalo de
números reais. Você irá aprender, também, a descrever os resultados de um experimento aleatório
por meio de números ao invés de palavras; inclusive, por meio de parâmetros (isso só é possível por
meio das variáveis aleatórias, considerando funções que associam números reais aos eventos de
um espaço amostral).
Inicialmente, você aprenderá sobre as variáveis aleatórias discretas unidimensionais , considerando

a seguinte definição: para um dado espaço amostral S de um experimento, uma variável aleatória é
qualquer regra que associe um valor a cada resultado de S . A variável aleatória de probabilidade é
definida como uma função cujo domínio é o espaço amostral, e o contradomínio é um conjunto de
números reais.
Mas lembre-se: a variável aleatória, geralmente, é representada por letras maiúsculas, como X
(normalmente, letras próximas ao final do alfabeto) (Notação: X(s) = x) . Trata-se da função de
probabilidade no caso de variáveis aleatórias discretas em letras minúsculas para valores
particulares, ou seja, denotada matematicamente por P(X=a) ou P(a).
Uma distribuição discreta de probabilidade lista cada valor possível que a variável
aleatória pode assumir, com sua respectiva probabilidade. Uma distribuição de
probabilidade deve satisfazer as seguintes condições:
i) a probabilidade de cada valor da variável aleatória discreta está entre 0 e 1, ou seja

0 ≤ P (x) ≤ 1;
ii) a soma de todas as probabilidades é 1, isto é, ∑ P (x) = 1 (LARSON, FARBER, 2015,

p. 179).
Segundo Meyer (1984, p. 66), a variável aleatória unidimensional é definida por “[...] uma função X ,
que associa a cada elemento a ∈ S , sendo S o espaço amostral, um número real, X (a),
denominada assim variável aleatória”.
Observe a figura a seguir.

Figura 1.1 - Uma representação da variável aleatória unidimensional
Fonte: Elaborada pela autora.
#PracegoVer : a representação gráfica mostra, em forma de dois conjuntos (representados por duas
elipses), a função X , representada pela seta dos dois conjuntos, cujo elemento de número real é
representado pela letra minúscula a e a imagem do conjunto a sendo denotada matematicamente por
X(a) .
Magalhães e Lima (2005, p. 69) afirmam que “A variável aleatória é uma quantidade, associada a
cada possível resultado do espaço amostral que assume valores num conjunto enumerável, com
certa probabilidade, seja X uma variável aleatória e x1 , x2 , x3 , … , seus diferentes valores”.
SAIBA MAIS
As origens da probabilidade remontam ao século XV. As aplicações iniciais referiam-se, quase todas, a
jogos de azar. Os jogadores aplicavam o conhecimento da teoria das probabilidades para planejar
estratégias de apostas. Todavia a utilização das probabilidades ultrapassou muito o âmbito desses jogos.
Hoje, muitas organizações (públicas ou privadas) já incorporaram a teoria das probabilidades em seus
processos diários de deliberações.
Para saber mais sobre o desenvolvimento da probabilidade, acesse o link :

https://www.ime.unicamp.br/erpm2005/anais/m_cur/mc02_b.pdf
Um exemplo para variável aleatória unidimensional seria o lançamento de duas moedas, com
variáveis como C representando “cara” e K representando “coroa”. O espaço amostral é
Ω = {CC, CK, KC, KK} , e podemos determinar a probabilidade em tabela, para sabermos,
por exemplo, quais as probabilidades de dar “cara” no lançamento das duas moedas.
Observe a tabela a seguir.
Número de “caras” 0 1 2
Probabilidade pi 1
4
1
2
1
Tabela 1.1 - Tabela de probabilidade do número de “caras” das moedas

#PraCegoVer : na tabela, temos duas linhas e quatro colunas. Na primeira linha, está sendo
indicada a quantidade de “caras” que pode ocorrer ao se fazer o lançamento das duas moedas.
É também mostrado pelo espaço amostral: na primeira coluna, nenhuma cara nos dois
lançamentos, ou seja, seria o caso de “coroa” nos dois lançamentos, e a probabilidade seria de
P0 =
1
4
ou 25%; na segunda coluna, temos a probabilidade de uma “cara” ocorrer ao se jogar a
moeda duas vezes, ou seja, P1 =
2
4
=
1
2
ou 50%; na terceira e última coluna, a probabilidade
de ocorrerem duas “caras” é de P2 =
1
4
.
Esse é um exemplo simples e clássico de um experimento probabilístico apresentando a

probabilidade de ocorrer “cara” ao se jogar duas moedas. Portanto, dado um fenômeno aleatório
qualquer e seu respectivo espaço amostral, com um certo espaço amostral, é desejável estudar a
estrutura probabilística de quantidades associadas a esses fenômenos.
Vamos ver outro exemplo? Considere um meteorologista que está trabalhando em uma previsão
climática para os próximos três dias. Suponha que a ocorrência de chuva em um dia, independente
da ocorrência de chuva em outro dia, foi determinada em 40% de probabilidade de chover (e uma
probabilidade de 60% de não chover), em cada um dos três dias. Você sabe qual é a probabilidade
de chover? Em 0, 1, 2 ou 3 dos três dias?
Solução : a distribuição de probabilidade para os possíveis resultados será representada nas figuras
a seguir, que trarão o cálculo das probabilidades e as sequencias possíveis de chuva (0,40) e não
chuva (0,60) nos três dias.
Sendo S = a probabilidade de sol 0, 40 e C = a probabilidade de chover 0, 60 ; logo, o

espaço amostral é:
Ω = {(SSS) , (SSC) , (SCS) , (SCC) , (CSS) , (CSC) , (CCS) , (CCC)} .

Figura 1.2 - Representação da probabilidade de chover nos três dias
#PracegoVer : a figura ilustra a representação da probabilidade de chover nos três dias. Há cinco colunas:
na primeira coluna, temos o dia 1, em que S é a probabilidade de fazer sol (S=0,6) e C de chover (C=0,4); a
segunda coluna representa o dia 2, com a probabilidade de fazer (S=0,6); (C=0,4); (S=0,6); (C=0,4); a
terceira coluna representa o dia 3, com a probabilidade de fazer (S=0,6); (C=0,4); (S=0,6); (C=0,4); (S=0,6);
(C=0,4); (S=0,6); (C=0,4); na penúltima coluna é apresentada a probabilidade de, nos três dias, ocorrer sol
ou chuva: P (SSS)=0,216; P (SSC)=0,144; P (SCS)=0,144; P (SCC)=0,096; P (CSS)=0,144; P (CSC)=0,096; P
(CCS)=0,096; P (CCC)=0,064; na quinta coluna são apresentados os dias de chuva: 0, 1, 1, 2, 1, 2, 2, 3.
Para aprofundar um pouco mais o conhecimento obtido até aqui, a partir de nossas discussões
sobre o conteúdo, veja a imagem a seguir, que apresenta importantes considerações sobre a
temática deste material.
Figura 1.3 - Gráfico de coluna da probabilidade de chover nos três dias
#PracegoVer : o gráfico traz a representação da probabilidade nos chover em três dias. No eixo y, temos
os seguintes valores, de baixo para cima: 0; 0,05; 0,1; 0,15; 0,2; 0,25; 0,3; 0,35; 0,4; 0,45; 0,5, os quais
indicam a probabilidade de chover. Já no eixo x estão as colunas de zero dias de chuvas (os três dias de
sol e a probabilidade de 0,216); e um dia de chuva e os outros dois dias de sol (probabilidade de 0,432). A
terceira coluna, com o número 2, representa dois dias de chuvas e um dia de sol (probabilidade de 0,288),
e a última coluna, com o número 3, representa três dias de chuvas (probabilidade de 0,064).
Segundo Bonafini (2015), a uma variável aleatória, geralmente, é atribuída uma descrição numérica
para os resultados de um experimento estatístico. A palavra “aleatória” refere-se à variável e indica
que X é determinado pelo acaso, sendo as variáveis classificadas em dois tipos, trazidos na
sequência.
1. Variáveis aleatórias discretas

2. Variáveis aleatórias contínuas
Uma variável aleatória é discreta quando tem um número finito ou contável de resultados possíveis
que podem ser enumerados. Já a variável aleatória contínua ocorre quando há um número
incontável de resultados possíveis, os quais são representados por um intervalo na reta numérica.
Para cada valor de uma variável aleatória discreta pode ser atribuída uma probabilidade. Ao listar
cada valor de variável aleatória com sua probabilidade correspondente, você estará formando uma
distribuição discreta de probabilidade.
Análise Simultânea de Variáveis Aleatórias

Discretas
Neste tópico, você aprenderá como construir e utilizar distribuições da probabilidade de variáveis
aleatórias discretas bidimensionais . Essa habilidade é usada em diferentes áreas do
conhecimento. No estudo de variável aleatória, normalmente, as funções de probabilidade podem
se restringir a espaços amostrais unidimensionais, assumindo valores com uma única variável (no
caso estudado até agora) ou bidimensionais (duas variáveis), assumindo valores de situações-
problemas que se deseja observar com várias variáveis aleatórias, sendo também conhecidas como
distribuição conjunta.
O estudo das variáveis aleatórias bidimensionais consiste em compreender o comportamento

probabilístico de mais de uma variável aleatória, sendo considerado, no caso discreto, como uma
função que assume valores em um conjunto enumerável; já no caso contínuo, os valores são
representados pela variável aleatória X e a variável aleatória Y , que assumem, cada uma, um valor
infinito não enumerável de valores.
Na prática, muitas vezes, temos interesse em desenvolver o estudo de duas ou mais características,
simultaneamente, ou seja, para variáveis aleatórias n dimensional , como a dureza e a tensão de
ruptura de uma peça manufaturada de aço, observam-se a altura e a temperatura da chuva em uma
certa localidade, durante um período (meses ou semanas) especificado. Dessa forma, há a
definição formal, de variáveis aleatórias para n dimensões, generalizando, assim, o estudo das
variáveis aleatórias.
Sejam ε(epsílon) um experimento e S um espaço amostral associado a ε. Sejam

X = X(s) e Y = Y(s) duas funções, cada uma associando um número real a cada
resultado z ∈ S . Denotaremos (X, Y ) uma variável aleatória bidimensional. Se
X1 = X1 (s) , X2 = X2 (s) , … , Xn = Xn (s) forem n funções, cada uma
associando um número real a cada resultado s ∈ S , denominamos

(X1 , X2 , … , Xn ) uma variável aleatória n − dimensional” (MEYER, 1984, p.
111).
A distribuição de probabilidade da variável aleatória bidimensional (X, Y ) nada mais é do que uma
tabela em que se associa cada número dessa variável com a sua função correspondente de
probabilidade, também denominada, matematicamente, distribuição conjunta de (X, Y ).

Y y
1
... y
n
P (x
i )
n
x1 P (x … P (x ∑ P (x
1, y1 ) 1, yn ) j=1 1, yn )
⋮ ⋮ … ⋮ ⋮
n n
xn P (x , y1 ) … P (x , yn )
∑ ∑ P (x , yn )
n n i=1 j=1 n
n n n
P ∑ P (x … ∑ ∑ P (x , yn ) 1
( yj ) i=1 n , y1 ) i=1 j=1 n
Tabela 1.2 - Tabela de probabilidade de variáveis aleatórias bidimensionais

#PraCegoVer : na tabela temos os valores das variáveis aleatórias X e Y, com seus respectivos
valores na primeira linha y, em que j varia de 1 a n, e na primeira coluna da tabela x, em que i
varia de 1 a n. Na segunda linha, há os valores da probabilidade das variáveis x e y, e ao final da
linha, tem-se o somatório da primeira linha i=1 para a variável x e j, variando de 1 a n. Na
terceira linha, está sendo indicada, de maneira generalizada, a probabilidade da variável x, em
que i varia de 1 a n, e a variável y, em que j varia de 1 a n.
Neste material você estudará as variáveis aleatórias bidimensionais, para uma melhor assimilação
do entendimento e da aplicação do conteúdo. Sendo assim, segundo Meyer (1984, p. 110), “sejam
X = X(s) e Y = Y(s) duas funções, cada uma associando um número real a cada resultado em
s ∈ S , denomina (X, Y ) uma variável aleatória bidimensional”.

Figura 1.4 - Uma representação das variáveis aleatórias bidimensionais
Fonte: Meyer (1984, p. 110).
#PracegoVer : a representação gráfica mostra dois conjuntos (apresentados em duas formas geométricas
de eclipse) e as funções X e Y , cujo elemento de número real é representado por s, estando na primeira
forma geométrica de eclipse, e suas respectivas imagens, sendo as funções X(s) e Y (s)
representadas pela segunda forma geométrica de eclipse.
Da definição de probabilidade de variáveis aleatórias discretas unidimensionais , de maneira

análoga, pode-se definir para a probabilidade de variáveis aleatórias de distribuição discreta
bidimensional , dada por: sejam X e Y duas variáveis aleatórias, então, a definição da distribuição
de probabilidades com ocorrência simultânea é representada pela função de probabilidade
denotada por p (xi , y )
j
para qualquer par de valores (xi , y )
j
da variável aleatória associada à
sua probabilidade de ocorrência. Essa função é chamada Distribuição de Probabilidade Conjunta de
P (X = xi , Y = y ).
i
Segundo Meyer (1984, p. 112),
[...] a função f (x, y) é a distribuição de probabilidade conjunta das variáveis aleatórias

discretas x e y, cada valor possível que a variável aleatória discreta pode assumir, com
sua respectiva probabilidade e uma distribuição de probabilidade deve satisfazer as
seguintes condições:
i) f (x, y) ≥ 0 , para todo (x, y) ;
ii) a soma de todas as probabilidades é 1, isto é, ∑x ∑

y
f (x, y) = 1 , caso discreto;
iii) P (X = x, Y = y) = f (x, y) .
Exemplo : a variável aleatória discreta bidimensional (X, Y ) tem a função de probabilidade

conjunta dada pela equação: P . Para algum θ
i+j+1
(X = i, Y = j) = θ se i, j = 0, 1, 2 > 0
e zero em caso contrário, verifique se a equação θ + 2 θ

2
+ 3 θ
3
+ 2 θ
4
+ θ
5
= 1 é verdadeira.
Solução : a melhor maneira para você resolver uma probabilidade de variável aleatória
bidimensional (X, Y) cuja função foi dada por θi+j+1 se i, j = 0, 1, 2 é utilizar uma tabela.
Y 0 1 2
0 θ θ
2
θ
3
1 θ
2
θ
3
θ
4
2 θ
3
θ
4
θ
5
Tabela 1.3 - Tabela com o resultado do problema

#PraCegoVer : na tabela, temos 4 linhas e 4 colunas. Na primeira linha, temos indicada a

quantidade do resultado dos valores de Y=j ; temos, na segunda coluna, 0; na terceira coluna, 1;
e na quarta coluna, 2, na equação de teta dado θ . Já na primeira coluna, temos X=i , de
i+j+1
cima pra baixo; na segunda linha, 0; na terceira linha, 1; e na quarta, linha 2. Os resultados
mostrados (segunda linha com a segunda coluna) já estão calculados para i = j = 0 ; temos
que o valor da equação θi+j+1 = θ . No caso da segunda linha e da terceira coluna, temos,
para i , o valor de teta é θ , e assim por diante.
2
= 0 e j = 1
Logo, calculando os nove resultados dos elementos de i e j variando de zero a dois, a distribuição
de probabilidade discreta tem por definição: a função f (x, y) é a distribuição de probabilidade
conjunta das variáveis aleatórias discretas x e y. Cada valor possível que a variável aleatória
discreta pode assumir, com sua respectiva probabilidade e uma distribuição de probabilidade, deve
satisfazer as seguintes condições:
i) f (x, y) ≥ 0 , para todo (x, y);
ii) a soma de todas as probabilidades é 1, isto é, ∑x ∑

y
f (x, y) = 1 , caso discreto;
iii) P (X = x, Y = y) = f (x, y) .
Sendo assim, o somatório de todos os resultados de P é:

i+j+1
(X, Y ) = θ
2 2
∑ ∑ P (X = i, Y = j) = 1
i=0 j=0
0+0+1 0+1+1 0+2+1 1+0+1 1+1+1 1+2+1 2+0+1 2+1+1 2+2+1

θ + θ + θ + θ + θ + θ + θ + θ + θ = 1
2 3 2 3 4 3 4 5
θ + θ + θ + θ + θ + θ + θ + θ + θ = 1
2 3 4 5
θ + 2θ + 3θ + 2θ + θ = 1
Portanto, com esse exemplo, finalizamos o primeiro tópico de probabilidade de variáveis aleatórias
bidimensionais. A seguir, conheceremos alguns modelos de funções para determinar a
probabilidade conjunta, sendo esses casos mais específicos, os quais permitem aplicar diversos
modelos para o cálculo de probabilidade.
Sendo assim, sejam as variáveis aleatórias X e Y juntamente com suas probabilidades, elas
especificam coletivamente a função massa de probabilidade conjunta , também conhecida como
função de distribuição de probabilidade.
Função de massa de probabilidade conjunta
Neste tópico, você ampliará seus estudos sobre o tema das variáveis aleatórias conjuntas , de uma
maneira mais geral, conhecendo alguns modelos de funções para determinar a probabilidade
conjunta e suas variações.
Definição para variáveis aleatórias discretas bidimensionais: sejam x e y variáveis aleatórias

discretas, a sua distribuição de probabilidade é representada pela função com valores p (x, y) .
Para qualquer valor de (x, y) , denomina-se função massa de probabilidade se
p (x, y) = P (X = x, Y = y) , ou seja, os valores de f (x, y) resultam da probabilidade em
relação às variáveis x e y ocorrerem ao mesmo tempo.
A função p (x, y) é a função massa de probabilidade das variáveis aleatórias bidimensionais

discretas se:
i. p (x, y) ≥ 0 para todos os valores de (x, y) ;
ii. ∑x ∑
y
p (x, y) = 1 para qualquer região A no plano xy
P [(x, y) ∈ A ] = ∑ ∑ p (x, y)
A função de massa de probabilidade é distribuída ao longo dos eixos x e y dos possíveis valores
das variáveis aleatórias. Por fim, vamos encerrar o estudo desta primeira função com um exemplo,
para melhor assimilar a definição vista até agora.
Exemplo: seja (X, Y ) uma variável aleatória bidimensional discreta, com a seguinte função de
probabilidade dada por:
2xi +yj
P (xi , y ) =
j 42
, para xi = 0, 1, 2 e y
j
= 0, 1, 2, 3 , determine a tabela de
distribuição de probabilidade conjunta.

Y 0 1 2 3
0
1 1 1
0
42 21 14
1 1 1 2 5
21 14 21 42
2 2 5 1 1
21 42 7 6
Tabela 1.4 - Tabela com a distribuição de probabilidade conjunta

#PraCegoVer : na tabela, temos o resultado dos valores da variável aleatória de y

j
, variando de
2xi +yj
0 a 3 na equação de probabilidade dada por P (xi , y ) =
j 42
. Na primeira coluna, temos
os valores da variável aleatória xi também variando de 0 a 2. Os resultados da probabilidade,
2xi +yj
devido à equação dada, P (xi , y ) =
j 42
, são mostrados na segunda linha. Têm-se os
resultados de probabilidade quando i = 0 e os valores de j variam de zero a 3. Na terceira
linha, têm-se os resultados da função de probabilidade quando i = 1 e os valores de j variam
de zero a 3. Na última linha, têm-se os valores da probabilidade quando i = 2 e os valores de j
variam de zero a 3.
Logo, pela definição, temos os valores de f (x, y) ≥ 0, pois, para todos os valores de (x, y) ,a
imagem da função dada será maior ou igual a zero se xi ≥ 0 e yj ≥ 0 .
Na segunda condição da definição, temos: se, ∑

x
∑
y
f (x, y) = 1 (a soma de todas as
probabilidades é 1, isto é, ∑x ∑
y
f (x, y) = 1 ). Portanto, somando todos os valores:
1 1 1 1 1 2 5 2 5 1 1 1+2+3+2+3+4+5+4+
∑ ∑ f (x, y) = 0 + + + + + + + + + + + =
x y 42 21 14 21 14 21 42 21 42 7 6 42
2xi + y
j
P (X = x, Y = y) = f (x, y) = P (xi , y ) =
j
42
Desse modo, a função de massa de probabilidade permite atribuir um valor de probabilidade

apresentado na Tabela 1.2 - Tabela de probabilidade de vareáveis aleatórias bidimensionais; de cada
ocorrência de uma ou mais variáveis aleatórias discretas, as condições apresentadas são
satisfeitas.
Por fim, a função de massa de probabilidade pode ser definida: sejam X e Y duas variáveis
discretas definidas no espaço amostral Ω de um experimento, então, a função de massa de
probabilidade conjunta p (x, y) é determinada para cada par de números, dado por:
p (x, y) = P (X = x e Y = y)
Seja A qualquer conjunto formado por pares de valores (x, y) , a probabilidade de

P [(X, Y ) ϵ A] é calculada pela soma da função de massa com os pares do conjunto A.
P [(X, Y ) ϵ A] = ∑ ∑ p (x, y)
(x, y) ϵ A
Há várias situações experimentais em que mais de uma variável aleatória será aplicada para
analisar os modelos matemáticos na pratica, como no próximo exemplo.
Exemplo : uma agencia de seguros presta serviço a diversos clientes que compraram uma apólice
de seguro de vida e seguro de automóvel, da mesma seguradora. Para o seguro de automóvel, as
opções são R$100,00 e R$250,00, enquanto, para o seguro de vida, as opções são R$0,00, R$100,00
e R$200,00. Agora, considere que um indivíduo seja selecionado aleatoriamente, e que tenha os dois
tipos de seguros. Seja, também, dado o par
(X, Y ) , onde X = seguro de automovel e Y = seguro de vida dos valores de
probabilidade associada a cada par, apresentado na tabela a seguir. Qual a probabilidade de o
cliente pagar no seguro de vida pelo menos R$100,00 reais, uma vez que não é interessante para a
agência que o segurado não pague nada?
Y 0 100 200
100 0, 20 0, 10 0, 20
250 0, 05 0, 15 0, 30
Tabela 1.5 - Tabela de probabilidade conjunta dos seguros

#PraCegoVer : na tabela, temos o resultado dos valores dos seguros, em que

X = valor do seguro de automovel e Y = valor do seguro de vida . Os seguros de
automóvel X são R$100 e R$250, apresentados na primeira coluna, e aos valores do seguro
de vida Y , na primeira linha da tabela, são dadas as combinações
(100, 0) = 0, 20 ; (100, 100) = 0, 10 ; (100, 200) = 0, 20 ; (250, 0) = 0, 05 ;
(250, 100) = 0, 15 ; (250, 200) = 0, 30 .
Solução: a probabilidade é determinada; seja A qualquer conjunto formado por pares de valores
(x, y), a probabilidade é obtida de acordo com a definição pela soma da função de massa de
probabilidade. Logo, os pares são a combinação das opções de seguros disponíveis: X = os
seguros de automóvel e Y = os seguros de vida da tabela:
(100, 0) ; (100, 100) ; (100, 200) ; (250, 0) ; (250, 100) ; (250, 200),
descartando os valores de y = 0 .
Sendo assim:
P (Y ≥ 100) = p (100, 100) + p (100, 200) + p (250, 100) + p (250, 200) = 0, 10 + 0, 20+
0, 15 + 0, 30 = 0, 75 .
Portanto a probabilidade de P (Y ≥ 100) = 0, 75 ou 75%. A função de massa de probabilidade é

obtida pela soma de p (x, y) ≥ 0 para alguns valores de probabilidade. Nesse caso, não entram no
somatório os valores de probabilidade para y = 0 , pois se quer o resultado de pelo menos
R$100,00 (y ≥ 100).
‍Função de densidade de probabilidade continua
De forma similar, a função de densidade de probabilidade é calculada, apenas, para variáveis

aleatórias continuas , que podem ser de qualquer valor numérico real, em um determinado intervalo,
desde que seja 0 ≤ f (x, y) ≤ 1; ao contrário, para as variáveis discretas, a cada resultado é
associado apenas um número real.
Para uma distribuição contínua de probabilidade, você deve utilizar uma função densidade de
probabilidade , que, por sua vez, deve satisfazer duas restrições:
i) a área total sob a curva deve ser igual a 1;
ii) a função nunca deve ser negativa.
Segundo Meyer (1984, p. 112),
Uma variável aleatória dimensional contínua (X, Y ), em um determinado intervalo

resultando todos os valores em alguma região no plano euclidiano (cálculo da área de
uma região no plano euclidiano). Uma função de densidade de probabilidade conjunta é
definida se satisfaz as seguintes restrições:
i) f (x, y) ≥ 0 , para todo (x, y) ∈ R ;
ii) ∬ f (x, y) dx dy = 1 .
R
Deste modo, a definição da função de densidade de probabilidade f (x, y) é a integral,

d b
P [(X, Y ) ∈ A] = P (a ≤ X ≤ b, c ≤ Y ≤ d) = ∫ ∫ f (x, y) dx dy, para
c a
qualquer região R no plano cartesiano x e y, ou seja, a probabilidade de um intervalo

fechado é a integral dupla da função em relação a variável x e y.
Um exemplo, para entender melhor como determinar a densidade conjunta de uma região R
delimitada por uma função y = x e com o eixo y no plano cartesiano, sendo que a variável
2
aleatória é bidimensional (X, Y ), é apresentado na figura a seguir.

Figura 1.5 - A função y = x de densidade conjunta de uma região R com o eixo y
2
#PracegoVer : a representação gráfica apresenta o plano cartesiano x e y , mostrando a região para

determinar a densidade conjunta, ou seja, a área de uma região R em relação ao eixo y. Nessa figura, foi
delimitada a região R até o intervalo nos eixos x=y=1 e a função y = x2 , para determinar a área através da
definição anterior em que se utiliza a integral.
Para determinar área de densidade conjunta de (X, Y ), é necessário, antes de mais nada, verificar
o intervalo da região R . No eixo y, temos que a região a ser calculada está no intervalo de 0 a 1 da
imagem; já no eixo y, temos que a função é y = x
2
⇒ x = √y . Logo, pela definição
d b
P (a ≤ X ≤ b, c ≤ Y ≤ d) = ∫
c
∫
a
f (x, y) dx dy , temos:
1 √y
P (0 ≤ x ≤ √y , 0 ≤ y ≤ 1 ) = ∫
0
∫
0
1 dx dy , para x = 1 .
Resolvendo a integral da Figura 1.5 - A função y = x2 de densidade conjunta de uma região R com
o eixo y, apresentada no exemplo, temos que o resultado da probabilidade da área da região R ou a
densidade conjunta é:
1 √y 1 1 3
y 2 2 −− 2
√y 1 3
∫ ∫ 1 dx dy = ∫ x| dy = ∫ dy = = √1 − 0 =
0 √y 3
|
0
3 3
2
0 0 0 0
Vejamos um outro exemplo: seja a variável aleatória contínua bidimensional (X, Y ) e “seja a
xy
função dada por f (x, y) =
2
x +
3
, 0 ≤ x ≤ 1 e 0 ≤ y ≤ 2 e zero para quaisquer outros
valores de (x, y) . Verifique se é uma função de densidade de probabilidade conjunta” (MEYER,
1984, p. 115).
A solução é dada pela definição de que f (x, y) ≥ 0 , o que é verdadeiro para o intervalo dado, e a
segunda condição é ∬ f (x, y) dx dy = 1 . Logo,
R
2 1 2 2
3 2 2
xy x x y 1
1 y 1 y 2
2 4
2
∫ ∫ (x + )dx dy = ∫ ( + )| dy = ∫ ( + ) dy = ( y + )| = + = 1
0 0
3 3 6 3 6 3 6 3 12
0 0 0 0
xy
Portanto a função f (x, y) = x
2
+
3
, definida no intervalo , é uma
0 ≤ x ≤ 1 e 0 ≤ y ≤ 2
função de densidade de probabilidade.
praticar
Vamos Praticar
Um banco opera tanto uma instalação de drive-through (conceito criado nos Estados Unidos, sem
tradução na língua portuguesa, que significa: uma troca comercial que se realiza por meio da
janela do carro do cliente) quanto um guichê de atendimento. Em um dia selecionado
aleatoriamente, assume-se que
X = a proporça o de tempo em que a instalaça o de drive − through está em uso (ao
~ ~
menos um cliente está sendo atendido ou esperando para ser atendido), e

^ de atendimento está em uso. O conjunto de
~
Y = a proporça o de tempo em que o guiche
valores possíveis de (X, Y ) é, então, o retângulo D = {(x, y) : 0 ≤ x ≤ 1, 0 ≤ y ≤ 1}. É

dada a função:
6 2
(x + y ) 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
5
f (x, y) = {
0 caso contrá rio
Diante desses dados, suponha que seja uma função de densidade de probabilidade conjunta de
(X, Y ). Deve-se provar que essa função seja de densidade de acordo com a condição:
∬ f (x, y) dx dy = 1.
R
Observe que f (x, y) ≥ 0 . Verifique se a função é de densidade de probabilidade.
Conhecimento
Teste seus Conhecimentos
(Atividade não pontuada)
Considere uma situação hipotética, na qual um fabricante de lâmpadas esteja interessado em

uma encomenda de lâmpadas durante o período de dois meses. Sendo assim, admitiremos que
as variáveis X e Y sejam o número de lâmpadas encomendadas e contínuas bidimensionais, com
a seguinte função de densidade de probabilidade conjunta:
f (x, y) = c se 5000 ≤ x ≤ 10000 e 4000 ≤ y ≤ 9000
f (x, y) = 0 para quaisquer outros valores

Figura - A função delimitada pelas retas nos eixos x e y de densidade conjunta de uma
região R
Fonte: Meyer (1984, p. 114).
#PracegoVer : a representação gráfica mostra a região R para determinar a densidade conjunta,

ou seja, a área do quadrado em relação aos eixos x e y de uma região R.
A partir do que foi apresentado, qual o valor da constante c , para que f (x, y) seja uma função
de densidade de probabilidade conjunta?
a) c = 5000 .
b) c = (5000)
2
.
c) c = (10000)
−2
.
d) c = (5000)
−2
.
e) c = (10000)
2
.
Dependência e
Independência de
Variáveis Aleatórias
Bidimensionais
Prezado(a) estudante, é preciso chamar sua atenção para um fato importante: a análise e o estudo
dos conceitos de dependência e independência de variáveis aleatórias são muito importantes, pois
um ou mais eventos podem ser classificados como independentes quando a realização de um dos
eventos não afeta a probabilidade de ocorrência do outro , e vice-versa.
O objetivo de se estudar a dependência e independência de variáveis aleatórias é devido ao

condicionamento, na ocorrência de um valor ser equivalente na ocorrência de um evento, denotado
por probabilidade condicional para variáveis discretas.
Com o crescimento dos grupos financeiros, os quais envolvem atividades de riscos, tem-se a
necessidade de ferramentas matemáticas que auxiliam a análise de dependências, principalmente
aquelas relacionadas a medidas de risco, sendo estas variáveis aleatórias.
Fundamentação Teórica
Um pré-requisito no estudo de variáveis aleatórias unidimensionais é o de dependência e
independência de dois eventos aleatórios. Os eventos A e B são independentes se:
P (A∩B) f(x,y)
P (A/B) = f (x/y) =
P (B) h(y)
Mas se A e B forem independentes:
P (A/B) = P (A) ⇒ f (x / y) = g (x)
Assim, dois eventos A e B são considerados independentes quando a ocorrência de um dos dois
eventos não depende ou não está vinculada à ocorrência do outro, isso é,
P (A/B) = P (A) e P (B/A) = P (B) . Logo, para dois eventos serem independentes,
utiliza-se a regra do produto P(A ∩ B) = P(A) P(B) ; e se a equação for verdadeira, os eventos A e B
são independentes, ou seja, na equação P(A ∩ B) = P(A) P(B) , se a igualdade for verdadeira, A e B
são independentes.
Logo, a restrição P(A ∩ B) = P(A) P(B) tem que ser atendida para a probabilidade de dois eventos
serem independentes. A seguir, definiremos o conceito de independência de eventos para variáveis
aleatórias bidimensionais. Analogamente, é apresentada a seguir a definição para variáveis
aleatórias bidimensionais, sendo de maneira pela qual é determinado o conceito de independência
de dois eventos A e B.
Definição:
Sejam X e Y duas variáveis aleatórias discretas definidas no mesmo espaço amostral, a

probabilidade condicional X = x, dado que Y = y ocorreu, é dada pela expressão:
P (X=x |Y =y)
P (X = x |Y = y) =
P (Y =y)
, se P (Y = y) > 0 .
Caso P (Y = y) = 0 , a probabilidade condicional pode ser definida por
P (X = x |Y = y) = P (X = x) (MAGALHÃES; LIMA, 2005, p. 149).
Segundo Meyer (1984), do mesmo modo que se define o conceito de independência de dois eventos
A e B , tal conceito pode ser definido de maneira análoga para variáveis aleatórias independentes,
declarando que X e Y , são variáveis aleatórias independentes, quando o resultado de X de modo
algum influenciar no resultado de Y .
Análise e Comparação para Determinar a

Dependência
Com o objetivo de definir a probabilidade condicional e a independência para variáveis aleatórias
bidimensionais, é importante observar que a distribuição conjunta não informa especificamente
como é essa dependência, nem é capaz de mensurá-la. Para isso, são desenvolvidas as medidas de
dependência, que são instrumentos que quantificam essa associação . A representação da
quantificação tem como padrão um intervalo entre -1 a +1, para valores que representam,
respectivamente, a dependência negativa e positiva.
Fonte: Jozef Polc / 123RF.
Análise de dependência
A análise dessa dependência tem caráter bem especifico, pois cada medida de dependência se destina a captar determinadas
facetas do comportamento das funções. É importante, na hora de avaliar a que cada medida de dependência é apropriada,
mensurar um aspecto de dependência a ser aplicado, para levar a vários aspectos de conclusão e interpretação.
Normalmente, a análise da dependência ou independência de duas variáveis aleatórias é baseada

apenas na definição de quando as variáveis não são independentes. Sendo assim, serão variáveis
aleatórias dependentes, em que o valor de x não afeta o valor de y .
Analise e Comparação para Determinar a

Independência
Até aqui, você aprendeu os conceitos básicos para analisar se duas variáveis aleatórias são
independentes ou dependentes. Neste tópico, você aprenderá os conceitos e as analises para
verificar se duas variáveis são independentes.
Sejam x e y duas variáveis aleatórias (discretas ou contínuas) com distribuição de probabilidade
conjunta f (x, y) e distribuição de probabilidade g(x) e h(y) , respectivamente, as variáveis aleatórias x
e y são consideradas estatisticamente independentes se, e somente se: f (x, y) = g(x). h(y) para
todos (x, y) , dependendo do intervalo (DEVORE, 2011, p. 184).
Segundo Meyer (1984, p. 122), eis a definição para variáveis aleatórias independentes: “seja
(X, Y ) uma variável aleatória continua bidimensional, serão variáveis independentes se, e
somente se, f (x, y) = g (x) h (y) para todo (x, y)”. De acordo com Magalhaes e Lima (2005,
p. 149), “Duas variáveis aleatórias discretas são independentes, se a ocorrência de qualquer valor de
uma delas não altera a probabilidade de ocorrência de valores da outra, ou seja, X e Y são
independentes p (x, y) = p (x) p (y) , ∀ (x, y) ”.
Exemplo : para verifica se duas variáveis aleatórias (X, Y) são independentes, uma faculdade fez
um levantamento, coletando os dados de 80 famílias de um determinado bairro, com o foco nas
informações especificas sobre número de pessoas que trabalham na família (X), e o número de
filhos (Y ). Para melhor visualização dos resultados, foi utilizada uma tabela. Em uma situação
hipotética, deseja-se saber se a quantidade de pessoas que trabalham depende da quantidade de
filhos de uma família. Neste exemplo, o máximo de filhos em cada família não ultrapassará 4.
Y 0 1 2 3 4 Total
0 5 4 2 3 1 15
1 2 8 6 4 1 21
2 4 8 8 5 2 2
3 4 2 2 5 4 1
Total 15 22 18 17 8 80
Tabela 1.6 - Tabela com a distribuição de dados da pesquisa

#PraCegoVer : na tabela, temos 20 resultados, em que os valores de xi são a quantidade de

pessoas que trabalham, variando entre: na segunda linha, zero; na terceira linha, 1; na quarta
linha, 2; na quinta linha, 3; e na sexta linha, o total. Já na primeira linha da tabela, temos a
variável aleatória yj (quantidade de filhos que cada família possui, sendo limitado a, no
máximo, 4 filhos). Na segunda coluna, temos 0; na terceira coluna, 1; na quarta coluna, 2; na
quinta coluna, 3; na sexta coluna, 4; na sétima coluna, o total. Logo, como primeiro resultado da
tabela para x = 0 = y , temos em x que para 5 famílias nenhuma pessoa trabalha e não tem
nenhum filho. Para x = 0 e y = 1, temos o valor de 4 famílias que possuem zero pessoas
que trabalham e 1 filho. Para x = 0 e y = 2, temos o valor de 2 famílias que possuem zero
pessoas que trabalham e 2 filhos, e assim por diante.
É necessário calcular todas as probabilidades de cada elemento dos 20 resultados, as quais estão
melhor apresentadas na tabela a seguir. Logo, as probabilidades de cada caso são específicas
sobre número de pessoas que trabalham na família (X) e o número de filhos (Y ).
Observe a tabela a seguir: a qual conclusão podemos chegar por meio da análise dela?
Y 0 1 2 3 4 p (x)
0
5 4 2 3 1 15
80 80 80 80 80 80
1
2 8 6 4 1 21
80 80 80 80 80 80
2
4 8 8 5 2 27
80 80 80 80 80 80
3
4 2 2 5 4 17
80 80 80 80 80 80
1
15 22 18 17 8
p (y)
80 80 80 80 80
Tabela 1.7 - Tabela de probabilidade das variáveis aleatórias

#PraCegoVer : na tabela, temos a probabilidade dos 20 resultados da tabela anterior, em que

havia a quantidade de família em cada caso, cujos valores de xi são a quantidade de pessoas
que trabalham, variando entre zero (nenhuma pessoa trabalha) e 3 pessoas que trabalham na
família. Na primeira linha da tabela, temos a variável aleatória yj (quantidade de filhos que
cada família possui, sendo limitado a, no máximo, 4 filhos), variando de 0 a 4. Logo, como
primeiro resultado da tabela para x = 0 = y , temos que a razão é 5
80
=
1
16
= 0, 0625 de 5
famílias dentre o total pesquisado em que nenhuma pessoa trabalha e não há nenhum filho.
Para x = 0 e y = 1 , temos que a razão é 4
80
=
1
20
= 0, 05 de 4 famílias dentre o total
pesquisado, que possui zero pessoas que trabalham e que tem um filho. Para x = 0 e y = 2 ,
temos que a razão é 2
80
=
1
40
= 0, 025 de 4 famílias dentre o total pesquisado que possui
zero pessoas que trabalham e dois filhos, e assim por diante.
Utilizando a definição para variáveis aleatórias independentes, p (x, y) = p (x) p (y) , temos que,
para cada variável aleatória, é necessário verificar a condição.
Para x = 0 = y , temos que p (x, y) = p (0, 0) =

80
5
= 0, 0625 . e
p (x) = p (0) =
15
80
=
16
3
= 0, 1875 = p (y) .
Logo, p (x, y) = 0, 0625 ≠ p (x) p (y) = 0, 1875 × 0, 1875 = 0, 03515625. Como são
diferentes, já podemos concluir que não são variáveis aleatórias independentes, e sim variáveis
aleatórias dependentes .
Um segundo exemplo se faz necessário para mostrar quando X e Y são variáveis aleatórias
independentes. Suponha que uma máquina seja utilizada para algumas tarefas no período da
manhã e para uma tarefa diferente durante a tarde. Na tabela de distribuição de probabilidade
conjunta de X e Y , é apresentado o número de vezes que a máquina é posta em desarranjo de
manhã e à tarde.
Y 0 1 2 p (x)
0 0, 1 0, 2 0, 2 0, 5
1 0, 04 0, 08 0, 08 0, 2
2 0, 06 0, 12 0, 12 0, 3
p (y) 0, 2 0, 4 0, 4 1
Tabela 1.8 - Tabela de distribuição de probabilidade conjunta

#PraCegoVer : na tabela, temos a distribuição de probabilidade conjunta contida em 9

resultados. Na primeira linha, temos, para x = 0 = y , a probabilidade conjunta de 0,1; para
x = 0 e , a probabilidade conjunta é de 0,2; para x = 0 e y = 2, a probabilidade
y = 1
conjunta é de 0,2. Na segunda linha, temos que, para x = 1 e y = 0, a probabilidade

conjunta é de 0,04; para x = 1 e y = 1, a probabilidade conjunta é de 0,08; para
x = 1 e y = 2 , a probabilidade conjunta é de 0,08. Na última linha, temos que, para
x = 2 e , a probabilidade conjunta é de 0,06; para x = 2 e y = 1, a probabilidade

y = 0
conjunta é de 0,12; para x = 2 e y = 2, a probabilidade conjunta é de 0,12.
Novamente usando a mesma condição necessária, que define as variáveis aleatórias

independentes, p (x, y) = p (x) p (y), temos nove resultados. O infográfico a seguir é interativo.
Clique nos itens apresentados para interagir com o conteúdo.
VARIÁVEIS ALEATÓRIAS
INDEPENDENTES: NOVE
RESULTADOS
#PraCegoVer : o infográfico apresenta o título “Variáveis aleatórias independentes: nove resultados”.
Abaixo, há nove barras horizontais, dispostas na vertical, enumeradas de 1 a 9. As barras são azuis em
degradê, começando azul-escuro na primeira barra e ficando mais claro até a barra cinco; depois, volta a
ser azul cada vez mais escuro até a barra nove. A primeira barra está intitulada “Para primeira linha” e, ao
clicar nela, aparece o conteúdo “x = 0 = y , temos que p (x, y) = p (0, 0) = 0, 1 e
p (x) = p (0) = 0, 5 e p (y) = p (0) = 0, 2 . Logo
p (x, y) = 0, 1 = p (x) p (y) = 0, 5 × 0, 2 = 0, 1 . Portanto p (x, y) = p (x) p (y) = 0, 1 ,
satisfeito”. A segunda barra também apresenta o título “Para primeira linha” e, ao clicar nela, aparece o
conteúdo “x = 0 e y = 1 , temos que p (x, y) = p (0, 1) = 0, 2 e
p (x) = p (0) = 0, 5 e p (y) = p (1) = 0, 4 . Logo
satisfeito”. A terceira barra também está intitulada “Para primeira linha” e, ao clicar nela, aparece o
p (x) = p (0) = 0, 5 e p (y) = p (2) = 0, 4 . Logo
satisfeito”. A quarta barra tem o título “Para segunda linha” e, ao clicar nela, aparece o conteúdo “
x = 1 e y = 0, temos que p (x, y) = p (1, 0) = 0, 04 e
p (x) = p (1) = 0, 2 e p (y) = p (0) = 0, 2 . Logo

satisfeito”. A quinta barra também tem o título “Para segunda linha” e, ao clicar nela, apresenta o conteúdo
“x = 1 e y = 1 , temos que p (x, y) = p (1, 1) = 0, 08 e
p (x) = p (1) = 0, 2 e p (y) = p (1) = 0, 4 . Logo
satisfeito”. A sexta barra também apresenta o título “Para segunda linha” e, ao clicar nela, apresenta o
p (x) = p (1) = 0, 2 e p (y) = p (2) = 0, 4 . Logo
satisfeito”. A sétima barra apresenta o título “Para terceira linha” e, ao clicar nela, aparece o conteúdo “
x = 2 e y = 0, temos que p (x, y) = p (2, 0) = 0, 06 e
p (x) = p (2) = 0, 3 e p (y) = p (0) = 0, 2 . Logo

satisfeito”. A oitava barra também apresenta o título “Para terceira linha” e, ao clicar nela, aparece o
p (x) = p (2) = 0, 3 e p (y) = p (1) = 0, 4 . Logo
satisfeito”. A nona barra também apresenta o título “Para terceira linha” e, ao clicar nela, aparece o
p (x) = p (2) = 0, 3 e p (y) = p (2) = 0, 4 . Logo
p (x, y) = 0, 12 = p (x) p (y) = 0, 3 × 0, 4 = 0, 12 . Portanto p (x, ,
y) = p (x) p (y) = 0, 12
satisfeito”.
Portanto X e Y são variáveis aleatórias independentes, porque as nove distribuições de

probabilidade conjunta foram satisfeitas.
Variáveis independentes são aquelas variáveis que são manipuladas, ou seja, espera-se que as
variáveis sejam dependentes da manipulação ou de condições experimentais, enquanto as variáveis
dependentes são apenas medidas ou registradas.
Conhecimento
Teste seus Conhecimentos
(Atividade não pontuada)
Uma maneira bem pratica de verificar independência é utilizar tabela. Sendo assim, uma pesquisa
de uma universidade conceituada fez um levantamento do estágio remunerado dos seus alunos
de Engenharia, a fim de saber como estes estariam sendo aceitos no mercado de trabalho. O
cálculo foi elaborado de acordo com o salário mínimo e em relação ao ano que estavam cursando.
A probabilidade de cada caso é apresentada de acordo com a tabela (XX), com a distribuição de
probabilidade de variáveis aleatórias discretas.
Sejam:
X: a quantidade de salário mínimo de cada estágio, variando de 2 a 3 salários;

Y: o ano do curso de Engenharia em que o aluno se encontra fazendo estágio, variando
do segundo ao último ano de Engenharia.

Y 2 3 4 5 p (x)
2 0, 08 0, 08 0, 04 0 0, 2
3 0, 08 0, 2 0, 08 0, 08 0, 44
4 0, 04 0, 08 0, 08 0, 16 0, 36
p (y) 0, 2 0, 36 0, 2 0, 24 1
Tabela: Distribuição de probabilidade

Fonte: Adaptada de Magalhaes e Lima (2005, p. 150).
#PraCegoVer : na tabela, temos a distribuição de probabilidade conjunta, contida em

12 resultados. Na primeira linha, temos que, para x = 2 e y = 2 , a probabilidade
conjunta é de 0,08; para x = 2 e y = 3, a probabilidade conjunta é de 0,08, e assim
por diante. É indicada a probabilidade de um aluno receber x (variando de 2 a 3)
salários mínimos com o estágio e estar cursando o y (variando do 2º ao 5º) ano de
Engenharia.
Verifique, de acordo com a tabela, se as variáveis aleatórias são dependentes ou independentes

entre si.
a) Concluímos que as variáveis aleatórias são dependentes, uma vez que a condição
necessária definida para determinar a independência não é satisfeita.
b) São variáveis independentes, pois a variável x depende da variável y.
c) Concluímos que as variáveis aleatórias são dependentes umas das outras, ou seja, x i
salário depende de o aluno estar no curso de Engenharia y , e independentes entre si.

j
d) A tabela mostra que as definições de variáveis aleatórias são independentes.

e) As variáveis aleatórias são independentes, uma vez que a equação de
p (x, y) = p (x) p (y) , pela condição de independência, satisfaz, ou seja, as equações
p (x, y) = p (x) p (y) são iguais.

Material
Complementar
LIVRO
Aplicações da Teoria da Decisão e Probabilidade

Subjetiva em Sala de Aula do Ensino Médio
Autora : Andrea de Paula Machado Moreira
Ano : 2015
Comentário : se você quiser conhecer melhor a história de como surgiu a

probabilidade, essa dissertação faz uma ordem cronológica bem
importante. Veja a página 22. Ainda, o texto traz exemplos bem simples,
encontrados em conceitos básicos, necessários como pré-requisitos para
este e-book . Os exemplos são bem simples e didáticos.
ACESSAR
WEB
Variáveis Aleatórias Discretas e Contínuas -

Probabilidade e Estatística - Khan Academy
Ano : 2014
Comentário : existem dois tipos de variáveis aleatórias. Nesse vídeo, são

apresentados exemplos de variáveis aleatórias discretas e continuas, bem
como exemplos de distribuições de probabilidade (tanto discretas quanto
contínuas). Sobre a Khan Academy : oferece exercícios, vídeos e um painel
de aprendizado personalizado para ajudar estudantes a aprenderem no seu
próprio ritmo, dentro e fora da sala de aula. A Khan Academy tem conteúdos
de matemática, ciências e programação, do jardim da infância ao ensino
superior, tudo gratuitamente.
Acesse o trailer disponível em:
ACESSAR
Conclusão
Caro(a) estudante, aqui pudemos compreender a definição e a aplicação de variáveis aleatórias
unidimensionais e bidimensionais, bem como o que são variáveis aleatórias discretas e contínuas, suas
diferenças e como calcular a probabilidade.
Você conheceu algumas funções para determinar e aplicar na probabilidade conjunta, como a função de
massa de probabilidade de uma única variável discreta X e para duas variáveis discretas X e Y .
Você também pôde se aprofundar sobre a função de massa de probabilidade, sendo aplicadas variáveis
contínuas e bidimensionais, em que a função de massa conjunta é definida para duas variáveis contínuas
X e Y , descrevendo quanta massa de probabilidade é colocada em cada par de valores possíveis (x, y).
De maneira análoga, a probabilidade de o par de variáveis contínuas estar em um conjunto bidimensional

A (como um retângulo) é obtida pela integração de uma função denominada função de densidade
conjunta.
Por fim, você viu o conceito de como identificar as variáveis aleatórias independentes e dependentes,
identificando o comportamento do conjunto na modelagem de equações.
Esperamos que você tenha aproveitado este material. Até a próxima!
Referências
BONAFINI, F. C. Probabilidade e Estatística . São Paulo:
Pearson, 2015.
DEVORE, J. L. Probabilidade e Estatística para Engenharias e

Ciências . 6. ed. São Paulo: Cengage Learning, 2011.
(Biblioteca Ânima).
LARSON, R., FARBER, B. Estatística Aplicada . São Paulo. Pearson, 2015.
LOPES, C. E., MEIRELLES, E. O Desenvolvimento da Probabilidade e da Estatística. In: ENCONTRO

REGIONAL DE PROFESSORES DA MATEMÁTICA, 18., 2005, Campinas. Anais [...] Campinas: Unicamp,
2005. Disponível em: https://www.ime.unicamp.br/erpm2005/anais/m_cur/mc02_b.pdf . Acesso em: 23
abr. 2021.
MAGALHÃES M. N.; LIMA A. C. P. Noções de Probabilidade e Estatística . São Paulo: Edusp, 2005.
(Biblioteca Ânima).
MEYER, P. L. Probabilidade : aplicações à Estatística. Rio de Janeiro: LTC, 1984. (Biblioteca Ânima).
MOREIRA, A. P. M. Aplicações da Teoria da Decisão e Probabilidade Subjetiva em Sala de Aula do Ensino

Médio . 2015. 178 f. Dissertação (Mestrado em Matemática) – Instituto de Matemática, Estatística e
Computação Científica, Universidade Estadual de Campinas, Campinas, 2015. Disponível em:
https://www.ime.unicamp.br/~laurarifo/alunos/dissertacaoAndrea.pdf . Acesso em: 16 abr. 2021.
MORETTIN, L. G. Estatística Básica : probabilidade e inferência. São Paulo: Pearson, 2010.
VARIÁVEIS Aleatórias Discretas e Contínuas - Probabilidade e Estatística - Khan Academy. [ S. l.: s. n. ],

2014. 1 vídeo (12 min). Publicado pelo canal Khan Academy Brasil. Disponível em:
https://www.youtube.com/watch?v=wc6qIyg3Iqo . Acesso em: 31 maio 2021.

Princípios Probabilidadeprincípios Da Probabilidade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Princípios Probabilidadeprincípios Da Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

PROBABILIDADES CONJUNTAS

Revisor: Fábio Santiago

Tempo de leitura do conteúdo estimado em 1 hora e 7 minutos.

Você estudará algumas funções para a determinação de probabilidade conjunta, compreendendo a

Segundo Devore (2011, p. 45, grifos do autor), “a probabilidade é

Fonte: Nataliya Popova / 123RF.

Morettin (2010) define o estudo da probabilidade como o estudo de fenômenos, e classifica os

As propriedades de uma população são estudadas a partir da

Inicialmente, você aprenderá sobre as variáveis aleatórias discretas unidimensionais , considerando

i) a probabilidade de cada valor da variável aleatória discreta está entre 0 e 1, ou seja

ii) a soma de todas as probabilidades é 1, isto é, ∑ P (x) = 1 (LARSON, FARBER, 2015,

Observe a figura a seguir.

Para saber mais sobre o desenvolvimento da probabilidade, acesse o link :

Tabela 1.1 - Tabela de probabilidade do número de “caras” das moedas

Esse é um exemplo simples e clássico de um experimento probabilístico apresentando a

Sendo S = a probabilidade de sol 0, 40 e C = a probabilidade de chover 0, 60 ; logo, o

Ω = {(SSS) , (SSC) , (SCS) , (SCC) , (CSS) , (CSC) , (CCS) , (CCC)} .

Observe a figura a seguir.

1. Variáveis aleatórias discretas

Análise Simultânea de Variáveis Aleatórias

O estudo das variáveis aleatórias bidimensionais consiste em compreender o comportamento

Sejam ε(epsílon) um experimento e S um espaço amostral associado a ε. Sejam

associando um número real a cada resultado s ∈ S , denominamos

Observe a tabela a seguir.

Tabela 1.2 - Tabela de probabilidade de variáveis aleatórias bidimensionais

Observe a figura a seguir.

representadas pela segunda forma geométrica de eclipse.

Da definição de probabilidade de variáveis aleatórias discretas unidimensionais , de maneira

Segundo Meyer (1984, p. 112),

[...] a função f (x, y) é a distribuição de probabilidade conjunta das variáveis aleatórias

i) f (x, y) ≥ 0 , para todo (x, y) ;

ii) a soma de todas as probabilidades é 1, isto é, ∑x ∑

Exemplo : a variável aleatória discreta bidimensional (X, Y ) tem a função de probabilidade

e zero em caso contrário, verifique se a equação θ + 2 θ

Tabela 1.3 - Tabela com o resultado do problema

#PraCegoVer : na tabela, temos 4 linhas e 4 colunas. Na primeira linha, temos indicada a

i) f (x, y) ≥ 0 , para todo (x, y);

ii) a soma de todas as probabilidades é 1, isto é, ∑x ∑

Sendo assim, o somatório de todos os resultados de P é:

0+0+1 0+1+1 0+2+1 1+0+1 1+1+1 1+2+1 2+0+1 2+1+1 2+2+1

Função de massa de probabilidade conjunta

Definição para variáveis aleatórias discretas bidimensionais: sejam x e y variáveis aleatórias

A função p (x, y) é a função massa de probabilidade das variáveis aleatórias bidimensionais

i. p (x, y) ≥ 0 para todos os valores de (x, y) ;

Observe a tabela a seguir.

Tabela 1.4 - Tabela com a distribuição de probabilidade conjunta

#PraCegoVer : na tabela, temos o resultado dos valores da variável aleatória de y

Na segunda condição da definição, temos: se, ∑

Desse modo, a função de massa de probabilidade permite atribuir um valor de probabilidade

Seja A qualquer conjunto formado por pares de valores (x, y) , a probabilidade de

Observe a tabela a seguir.

Tabela 1.5 - Tabela de probabilidade conjunta dos seguros

#PraCegoVer : na tabela, temos o resultado dos valores dos seguros, em que

(250, 100) = 0, 15 ; (250, 200) = 0, 30 .

Portanto a probabilidade de P (Y ≥ 100) = 0, 75 ou 75%. A função de massa de probabilidade é

De forma similar, a função de densidade de probabilidade é calculada, apenas, para variáveis

i) a área total sob a curva deve ser igual a 1;

ii) a função nunca deve ser negativa.

Segundo Meyer (1984, p. 112),

Uma variável aleatória dimensional contínua (X, Y ), em um determinado intervalo

i) f (x, y) ≥ 0 , para todo (x, y) ∈ R ;

Deste modo, a definição da função de densidade de probabilidade f (x, y) é a integral,

qualquer região R no plano cartesiano x e y, ou seja, a probabilidade de um intervalo