Variáveis Aleatórias Discretas

Lı́via Dutra
 Exemplo 1
Selecionar duas peças, medir suas espessuras e classificá-las se obe-
decem ou não às especificações de fabricação.
Seja a variável aleatória X : número de peças que obedecem às
especificações.
Suponha ainda que cada peça segue às especificações independen-
temente com probabilidade 0,8.

Lembre que o espaço amostral para esse experimento é:

S = {ss, sn, ns, nn}.

Lı́via Dutra 1
Podemos construir a seguinte tabela:

Peça 1 Peça 2 Probabilidade x

sim sim 0, 8 × 0, 8 = 0, 64 2
sim não 0, 8 × 0, 2 = 0, 16 1
não sim 0, 2 × 0, 8 = 0, 16 1
não não 0, 2 × 0, 2 = 0, 04 0

Assim, podemos definir os valores que X pode assumir e suas re-

spectivas probabilidades:

x 0 1 2
P(X = x) 0,04 0,32 0,64

→ Essa lista com os possı́veis valores da variável e suas respectivas

probabilidades é chamada de distribuição de probabilidades.

Lı́via Dutra 2
Podemos fazer uma representação gráfica da distribuição de proba-
bilidades de X :

P(X = x)

0,64

0,32

0,04 x
1 2

Lı́via Dutra 3
→ A distribuição de probabilidades de uma variável aleatória X é
uma descrição das probabilidades associadas aos valores possı́veis de
X.

→ Para uma VA discreta, a distribuição de probabilidades é fre-

quentemente representada por uma lista de possı́veis valores, jun-
tamente com suas probabilidades. Em alguns casos, expressamos a
probabilidade em termos de uma função.

Lı́via Dutra 4
Função de Probabilidade

Função de Probabilidade
Para uma variável aleatória discreta X , com valores possı́veis
x1 , x2 , · · · , xn , a função de probabilidade é uma função que satis-
faz:

1. f (xi ) ≥ 0;
Pn
2. i=1 f (xi ) = 1;
3. f (xi ) = P(X = xi ).

Lı́via Dutra 5
→ Voltando ao Exemplo 1: a função de probabilidade para a VA
número de peças que obedecem às especificações (X ) é


 0, 04, para x = 0

 0, 32, para x = 1
f (x) =

 0, 64, para x = 2

0, para x ∈/ {0, 1, 2}


Para verificar se de fato f é uma função de probabilidade:

2
X
f (x) = 0, 04 + 0, 32 + 0, 64 = 1.
x=0

Lı́via Dutra 6
 Exemplo 2
Seja a variável aleatória X o número de peças selecionadas em uma
linha de produção até encontrar a primeira peça que não segue de-
terminadas especificações de fabricação.
Considere que a probabilidade de uma peça seguir às especificações
é de 0,8 e elas são independentes.

O experimento aleatório desse exemplo consiste em selecionar peças

até obter a primeira peça que não segue determinadas especificações
de fabricação. Ele já foi visto anteriormente e lembre-se que o espaço
amostral é S = {n, sn, ssn, · · · }.
Dessa forma, a VA X pode tomar infinitos valores. Um número N é
associado a cada elemento de S.

Lı́via Dutra 7
Para encontrar a distribuição de probabilidades:

P(X = 1) = P({n}) = 0, 2
P(X = 2) = P({sn}) = 0, 8 × 0, 2 = 0, 16
P(X = 3) = 0, 8 × 0, 8 × 0, 2 = 0, 128
..
.

Então, genericamente temos

P(X = x) = 0, 8x−1 0, 2.

→ A função f (x) = P(X = x) é uma função de probabilidade?

Lı́via Dutra 8
 P+∞
Precisamos verificar se x=1 f (x) = 1.
+∞
X +∞
X
f (x) = 0, 8x−1 0, 2
x=1 x=1
+∞
X
= 0, 2 0, 8x−1
x=1
0, 2
= =1
1 − 0, 8

Lı́via Dutra 9
A representação gráfica para a distribuição de probabilidades de X
é:

f (x)

0,2
0,16
0,13
0,10
...
x
1 2 3 4

Lı́via Dutra 10
 Continuação do Exemplo 2
Qual é a probabilidade de ser preciso selecionar até 3 peças para
encontrar uma fora das especificações?

Lı́via Dutra 11
 Continuação do Exemplo 2
Qual é a probabilidade de ser preciso selecionar até 3 peças para
encontrar uma fora das especificações?

Nesse caso, queremos encontrar P(X ≤ 3). Note que o evento

{X ≤ 3} é a união dos três eventos: {X = 1}, {X = 2}, {X = 3},
que são mutuamente exclusivos.
Então,

P(X ≤ 3) = P(X = 1) + P(X = 2) + P(X = 3)

= 0, 81−1 0, 2 + 0, 82−1 0, 2 + 0, 83−1 0, 2
= 0, 488

Lı́via Dutra 11
→ Algumas vezes é útil ser capaz de expressar probabilidades acu-
muladas.

→ O uso de probabilidades acumuladas é uma maneira alternativa de

descrever a distribuição de probabilidades de uma variável aleatória.

→ É possı́vel encontrar a função de probabilidade de uma VA através

da probabilidade acumulada. Por exemplo, no Exemplo 2, f (3) pode
ser reescrita como

f (3) = P(X = 3) = P(X ≤ 3) − P(X ≤ 2).

Lı́via Dutra 12
Função de Distribuição Acumulada

Função de Distribuição Acumulada (FDA)

A função de distribuição acumulada de uma variável aleatória disc-
reta X , denotada por F (x), é
X
F (x) = P(X ≤ x) = f (xi )
xi ≤x

Para uma VA discreta X , F (x) satisfaz as seguintes propriedades:

1. 0 ≤ F (x) ≤ 1
2. Se a ≤ b ⇒ F (a) ≤ F (b)

Lı́via Dutra 13
→ Observe que mesmo se a VA X puder assumir somente valores
inteiros, a função de distribuição acumulada poderá ser definida em
valores não inteiros.
→ Voltando ao Exemplo 1, a distribuição de probabilidades da VA
X é

x 0 1 2
f (x) 0,04 0,32 0,64

Então, para encontrar a FDA:

Lı́via Dutra 14
→ Observe que mesmo se a VA X puder assumir somente valores
inteiros, a função de distribuição acumulada poderá ser definida em
valores não inteiros.
→ Voltando ao Exemplo 1, a distribuição de probabilidades da VA
X é

x 0 1 2
f (x) 0,04 0,32 0,64

Então, para encontrar a FDA:

F (0) = P(X ≤ 0) = f (0) = 0, 04;

F (1) = P(X ≤ 1) = f (0) + f (1) = 0, 36;
F (2) = P(X ≤ 2) = f (0) + f (1) + f (2) = 1.

Lı́via Dutra 14
Note que,

• Para qualquer x < 0 ⇒ F (x) = 0.

• Para qualquer 0 ≤ x < 1 ⇒ F (x) = 0, 04.

Por exemplo, F (0, 5) = P(X ≤ 0, 5) = f (0) = 0, 04.

• Para qualquer 1 ≤ x < 2 ⇒ F (x) = 0, 36.

Por exemplo, F (1, 9) = P(X ≤ 1, 9) = f (0) + f (1) = 0, 36.

• Para qualquer x ≥ 2 ⇒ F (x) = 1.

Por exemplo, F (10) = P(X ≤ 10) = f (0) + f (1) + f (2).

Lı́via Dutra 15
Com isso, podemos escrever a função de distribuição acumulada da
VA X : 

 0, para x < 0

 0, 04, para 0 ≤ x < 1
F (x) =

 0, 36, para 1 ≤ x < 2

1, para x ≥ 2


Também podemos representar essa função graficamente:

F (x)

0,36

0,04 x
1 2

Lı́via Dutra 16
→ No Exemplo 2, para encontrar a FDA:

F (1) = P(X ≤ 1) = f (1) = 0, 2;

F (2) = P(X ≤ 2) = f (1) + f (2) = 0, 36;
F (3) = P(X ≤ 3) = f (1) + f (2) + f (3) = 0, 488;
..
.
x
X x
X
F (x) = f (i) = 0, 8i−1 0, 2 , x ∈ N
i=1 i=1

Então, podemos escrever a FDA como:

(
0, x < 0
F (x) =
1 − 0, 8⌊x⌋ , x ≥ 0

onde ⌊x⌋ é a parte inteira de x.

Lı́via Dutra 17
Representação gráfica dessa função:

F (x)

...
0,5904
0,488
0,36
0,2

x
1 2 3 4 5

Lı́via Dutra 18
→ Dois números são frequentemente utilizados para resumir uma
distribuição de probabilidades de uma variável aleatória. São eles:

• Média (ou esperança): medida do centro da distribuição;

• Variância: medida de dispersão da distribuição.

→ Essas medidas não identificam unicamente uma distribuição de

probabilidades. Ou seja, duas distribuições diferentes podem ter as
mesmas medidas de média e variância.

Lı́via Dutra 19
Média e Variância

A média (ou valor esperado ou esperança) de uma variável aleatória

discreta X , com função de probabilidade f (x), é:
X
µ = E (X ) = xf (x).
x

A variância para essa mesma VA é:

X
σ 2 = V (X ) = (x − µ)2 f (x)
x

= E (X 2 ) − [E (X )]2 .

Com a medida de variância, temos também o desvio-padrão:

√
σ = σ2.

Lı́via Dutra 20
 De volta ao Exemplo 1
Selecionar duas peças, medir suas espessuras e classificá-las se obe-
decem ou não às especificações de fabricação.
Seja a variável aleatória X : número de peças que obedecem às
especificações.
Suponha ainda que cada peça segue às especificações independen-
temente com probabilidade 0,8.

Lı́via Dutra 21
A distribuição de probabilidades da VA X (número de peças que
seguem às especificações) é

x 0 1 2
P(X = x) 0,04 0,32 0,64

podemos encontrar E (X ) e V (X ).
2
X
E (X ) = xf (x) = 0f (0) + 1f (1) + 2f (2)
x=0

= 0 × 0, 04 + 1 × 0, 32 + 2 × 0, 64
= 1, 6

O número médio de peças que seguem às especificações é de 1,6.

Lı́via Dutra 22
Para calcular a variância, seja a tabela:

x f (x) (x − 1, 6) (x − 1, 6)2 (x − 1, 6)2 f (x)

0 0,04 −1,6 2,56 0,102
1 0,32 −0,6 0,36 0,115
2 0,64 0,4 0,16 0,102
P
= 0, 319

Então, V (X ) = 0, 32.

Lı́via Dutra 23
Algumas Propriedades

1. Se X é uma variável aleatória não negativa, então E (X ) ≥ 0.

2. Se X = c, então E (X ) = c.
3. E (aX + b) = aE (X ) + b.
4. E (X + Y ) = E (X ) + E (Y ).
5. Para qualquer VA X , temos V (X ) ≥ 0.
6. Se X = c, então V (X ) = 0.
7. V (aX + b) = a2 V (X ).
8. Se X é uma VA discreta com função de probabilidade f e h é
uma função de X , então
X
E (h(X )) = h(x)f (x).
x

Um caso especial dessa propriedade é: E (X 2 ) = x 2 f (x).

P
x

Lı́via Dutra 24
Pela Propriedade 8, descrita anteriormente, conseguimos calcular a
variância da uma VA através da seguinte igualdade

V (X ) = E (X 2 ) − [E (X )]2 .

→ Voltando ao Exemplo 1, que calculamos a variância de X com

o auxı́lio de uma tabela, agora vamos calcular da forma alternativa.
Já vimos que E (X ) = 1, 6 e
2
X
E (X 2 ) = x 2 f (x) = 02 f (0) + 12 f (1) + 22 f (2)
x=0

= 0 × 0, 04 + 1 × 0, 32 + 4 × 0, 64
= 2, 88.

Então,
V (X ) = 2, 88 − 1, 62 = 0, 32.

Lı́via Dutra 25
 Exemplo 3
Dois novos projetos de produto devem ser comparados, baseando-
se no potencial de retorno. O setor de comercialização sente que
o retorno do projeto A pode ser previsto bem acuradamente como
US$ 3 milhões de dólares. O potencial de retorno do projeto B é
mais difı́cil de estimar. O setor de comercialização conclui que há
uma probabilidade de 0,3 de que o retorno do projeto B seja de US$
7 milhões de dólares, mas há uma probabilidade igual a 0,7 de que
o retorno seja de apenas US$ 2 milhões de dólares. Qual projeto é
preferı́vel?

Lı́via Dutra 26
Seja X o retorno do projeto A. Então, como X assume um único
valor com probabilidade 1, E (X ) = 3 milhões de dólares.
Seja Y o retorno do projeto B.

y 2 milhões 7 milhões
P(Y = y ) 0,7 0,3

Então,
E (Y ) = 2f (2)+7f (7) = 2×0, 7+7×0, 3 = 3, 5 milhões de dólares.
Pelo fato de E (Y ) exceder E (X ), poderı́amos preferir o projeto B. O
valor esperado de retorno do projeto B é maior que o valor esperado
de retorno do projeto A.

Lı́via Dutra 27
Mas, se formos analisar a variabilidade, o retorno do projeto A não
tem variabilidade, e para o retorno do projeto B:

σ 2 = (2 − 3, 5)2 0, 7 + (7 − 3, 5)2 0, 3
= 5, 25 milhões de dólares ao quadrado

E possui um desvio-padrão de σ = 2, 29 milhões de dólares.

Então, apesar da E (X ) < E (Y ) isso não garante que o projeto B é
melhor, pois ele está sujeito a maior variabilidade.
Se o setor estiver disposto a correr um risco maior em busca de um
projeto que pode dar maior retorno, pode escolher o B. Porém, se
prefere um investimento mais seguro, com possivelmente um retorno
menor, mas sem riscos, o melhor seria escolher o projeto A.

Lı́via Dutra 28
Exemplo 4

O espaço amostral de um experimento aleatório é {a, b, c, d, e, f },

sendo cada resultado igualmente provável. A variável aleatória X é
definida como segue:

Resultado a b c d e f
x 0 0 1,5 1,5 2 3

a) Determine a distribuição de probabilidades de X .

b) Qual é a P(X = 1, 5)? e P(X ≤ 1, 5)?
c) Encontre a função distribuição acumulada de X .
d) A partir da FDA, qual é a P(X ≤ 1, 5)?
e) Calcule a esperança e a variância de X.

Lı́via Dutra 29