Instituto Superior Politécnico Metropolitano de Angola

www.unimetroangola.com

---------------------------------

Probabilidade e Estatística
Manual de apoio

Loulé Nunes Pena

2019

1
Observação:

Este manual serve de apoio às aulas de Probabilidades e Estatística. Para uma melhor
compreensão dos assuntos abordados, aconselha-se a leitura de alguns dos livros
indicados nas referências bibliográficas e disponibilizados pelo professor.

2
Conteúdo Programático

3
Capítulo I. Introdução à Teoria Geral de Probabilidade

1.1 Experimento Aleatório, Espaço Amostral e Eventos

1. Experiência aleatória

Uma experiência aleatória é uma experiência cujo resultado é desconhecido (antes da

sua realização), apesar de se conhecerem todos os possíveis resultados.

Exemplo 1. (Experiência aleatória) considere os seguintes exemplos:

• Ex1 : Lançamento de uma moeda e observação da face voltada para cima;

• Ex2 : Lançamento de um dado e observação da face voltada para cima;
• Ex3 : Tempo de “vida” de uma lâmpada.

2. Espaço amostral ou universo

um conjunto de todos os possíveis resultados de um experimento aleatória é chamado de

espaço amostral ou universo, e representamos por S. Cada resultado é um ponto
amostral.

Um espaço amostral, S, é discreto se tem um número finito ou infinito numerável de

elementos. Se S contém um intervalo (finito ou infinito) de números reais, então o
espaço de resultados é contínuo.

Exemplo 2. (Espaço de resultados) considere novamente as experiências aleatórias do

Exemplo 1. e define os espaços amostrais.

• Ex1 : S = {Cara, Coroa};

• Ex2 : S = {1,2,3,4,5,6};

• Ex3 : S = R+.

Exemplo 3. (Espaço de resultados). Na experiência aleatória que consiste em lançar um

dado, numerado de 1 a 6, e observar a face voltada para cima, S = {1, 2, 3, 4, 5, 6} ou
S = {par, ímpar}.

Se forem lançados dois dados, o espaço de resultados é,

S={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),...,(6,5),(6,6)}, ou seja, S = {(i,j) : i = 1,...,6; j
= 1,...,6}.

4
3. Eventos (Acontecimento)

Um evento (acontecimento) é um subconjunto A do espaço amostral, S. Cada

acontecimento formado por apenas um ponto amostral é designado por acontecimento
elementar ou simples.

Se o resultado de um experimento é um elemento de A, dizemos que o evento A

ocorreu.

1. Evento Certo

É o evento que sempre ocorre no experimento (A=S).

Exemplo 4. No lançamento de um dado, o evento A é, saída de um número menor ou

igual a 6 é certo.

2. Evento Impossível

É o evento que não ocorre com certeza no experimento, e representa por ∅ ou { }.

Exemplo 5. No lançamento de um dado, o evento A é, saída de um número maior que 6

é impossível.

3. Sub-acontecimento

A é sub-acontecimento de B, e escreve-se A ⊂ B, se e só se, a realização de A implica a

realização de B.

Observação: Podemos aplicar as operações usuais sobre conjuntos de modo a obter

outros acontecimentos de interesse. As operações mais usuais são:

• A união de dois acontecimentos A e B, e representa-se por A ∪ B; é o evento saída de

“A ou B ou ambos”

• A intersecção de dois acontecimentos A e B, e representa-se por A ∩ B; é evento

saída de “A e B”

• O complementar do acontecimento A e representa-se por A; é o evento saída de “não

A”

• A diferença dos acontecimentos A e B e representa-se por A − B (= A ∩ 𝐵); é o

evento saída de “A mas não B”

5
4. Algumas propriedades importantes

1. Distributiva: A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) e A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C);

2. Leis de De Morgan: 𝐴 ∩ B = A ∪ 𝐵 e A ∪ B = A ∩ B.

5. Eventos disjuntos ou mutuamente exclusivos

São os eventos que não podem ocorrer simultaneamente ou o aparecimento de um

impossibilita o aparecimento dos demais, ou seja, se A1 ∩ A2 ∩ A3 ∩... = ∅

Dois acontecimentos A e B dizem-se disjuntos se não têm elementos em comum, ou

seja, se A ∩ B = ∅.

6. Eventos opostos

São dois eventos mutuamente exclusivos que com certeza um deles ocorre.

Exemplo 6. A saída de cara é um evento oposto a saída de coroa no lançamento de uma

moeda, que com certeza um destes eventos ocorre.

7. Eventos equiprováveis

São aqueles eventos que têm a mesma probabilidade de ocorrência.

Exemplo 7. A saída de cara ou coroa no lançamento de uma moeda têm a mesma

probabilidade de ocorrência.

8. Eventos incompatíveis

Dois acontecimentos A e B dizem-se in- compatíveis se P (A ∩ B) = 0.

6
1.2. Definição de Probabilidade

Em muita experiência aleatória estamos interessados em medir a possibilidade de

ocorrer um determinado acontecimento. A probabilidade permite-nos quantificar essa
possibilidade.

1. Definição Clássica ou de Laplace de Probabilidade

Se uma experiência aleatória tem a si associado um número finito n de resultados

possíveis, mutuamente exclusivos e igualmente prováveis e h maneiras diferentes para
!
realização do evento A, então a probabilidade de qualquer evento A, é " e denotado
por:

ℎ
𝑃(𝐴) =
𝑛

Onde, h: no de resultados favoráveis a A e n: no de resultados possíveis

.

Exemplo 8. A probabilidade de sair face ímpar, num lançamento de um dado

# %
equilibrado é P(“Sair face ímpar”) =$ = &

2. Definição Frequencista ou Estatística de Probabilidade

Se após n repetições de um experimento, se observam h ocorrências de determinado

'
evento A, então ( é chamado frequência relativa do evento A em n repetições do
experimento.

Com n suficientemente grande torna-se a frequência relativa (ou um número próximo a

ela) na qualidade de probabilidade estatística do evento A. isto é:

ℎ
𝑃(𝐴) ≈
𝑛

Exemplo 9. Se lançarmos uma moeda 1000 vezes ao ar, aparece “cara” 532 vezes,
estimamos a probabilidade de “cara” em:

' )#&
𝑃(𝐴) ≈ ( ℎ = 532, 𝑛 = 1000 ⟹ 𝑃(𝐴) ≈ %*** ⟹ 𝑃(𝐴) ≈ 0,532

7
3. Definição Axiomática de Probabilidade

A Probabilidade é uma função, que a cada evento A faz corresponder um valor real,
P(A), e que verifica as seguintes condições ou axiomas:

1. 0 ≤ 𝑃(𝐴) ≤ 1, Para todo e qualquer que seja o evento A;

2. P(S)=1;

3. Se A e B são acontecimentos disjuntos, P (A ∪ B) = P(A) + P(B). Esta axiomática

não contempla situações com uma infinidade numerável de acontecimentos. É

assim usual substituir o 3º axioma, por:

4. Se A1, A2, . . . são eventos mutuamente exclusivos dois a dois, então:

𝑃(𝐴% ∪ 𝐴& ∪ 𝐴# ∪ 𝐴+ … ) = P(𝐴% ) + 𝑃(𝐴& ) + 𝑃(𝐴# ) + 𝑃(𝐴+ ) + ⋯

Proposição: Sejam A e B dois acontecimentos. Os seguintes resultados são

consequência imediata dos axiomas da definição:

1. P (∅) =0;

2. Se A ⊆ B, então P(A) ≤ P(B);

3. P>A? = 1 − P(A)

4. 0 ≤ 𝑃(𝐴) ≤ 1

5. P(𝐴 ∖ 𝐵) =P(𝐴 − 𝐵) = 𝑃>𝐴 ∩ 𝐵? = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵)

6. 𝑃(𝐴⋃𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

8
1.3 Probabilidade Condicional e Independência

1. Probabilidade Condicional
As probabilidades atribuídas a diversos eventos dependem do que seja conhecido sobre a
situação experimental quando a atribuição é feita. Depois da atribuição inicial,
informações parciais sobre ou relevantes para o resultado do experimento podem estar
disponíveis. Essas informações podem fazer com que revisemos algumas atribuições de
probabilidade. Para um determinado evento A, usamos P(A) para representar a
probabilidade atribuída a A. Agora interpretamos P(A) como a probabilidade original ou
incondicional do evento A. Nesta secção, examinamos como a informação "ocorreu um
evento B" afeta a probabilidade atribuída a A. Por exemplo: A pode se referir a um
indivíduo que tenha determinada doença pela presença de alguns sintomas. Se for feito
um exame de sangue no indivíduo e o resultado for negativo (B = exame de sangue
negativo), então a probabilidade de ter a doença será alterada (ela deve diminuir, mas
normalmente não para zero, já que os exames de sangue não são infalíveis). Usaremos a
notação P(B|A) para representar a probabilidade condicional de B dado que ocorreu o
evento A.

Dado que A ocorreu, o espaço amostral relevante não é mais S, mas consiste em
resultados contidos em A; B ocorreu se, e somente se, um dos resultados da interseção
tiver ocorrido, de forma que a probabilidade condicional de B dado A é proporcional a
P (A ∩ B). A proporção constante 1/P(B) é utilizada para assegurar que a probabilidade
P(B∩B) do novo espaço amostral de B seja igual a 1.

Sejam A e B dois eventos, com P(A) > 0. Denotamos por P(B|A) ou P(B) a
probabilidade de ocorrência de B na hipótese de A ter ocorrido.

Como A ocorreu, A passa a ser o novo espaço amostral que vem substituir o espaço
original S.

𝑃(𝐴 ∩ 𝐵)
P(B|A) =
𝑃(𝐴)

⟹ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ P(B|A)

⟹ 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) ∗ P(A|B)

Exemplo 9. Determinar a probabilidade do lançamento de um dado, ocorrer de um

número menor que 4.
a) Se não temos nenhuma informação.
b) Sabendo que o resultado é um número ímpar.

9
Resolução:
a) Seja A: Evento de saída de número menor que 4, 𝐴 = {1,2,3} ⇒ ℎ = 3
ℎ 3 1
𝑃(𝐴) = , 𝑛 = 6 𝑒 ℎ = 3 ⟹ 𝑃(𝐴) = ⟹ 𝑃(𝐴) =
𝑛 6 2
b) Seja B: Evento de saída de número ímpar, 𝐵 = {1,3,5} ⇒ ℎ = 3
&
Seja 𝐴⋂𝐵 = {𝑠𝑎í𝑑𝑎 𝑑𝑒 𝑢𝑚 𝑛ú𝑚𝑒𝑟𝑜 𝑚𝑒𝑛𝑜𝑟 𝑞𝑢𝑒 4 𝑒 í𝑚𝑝𝑎𝑟} ℎ = 2 ⟹ 𝑃(𝐴⋂𝐵) = $
2
𝑃(𝐴⋂𝐵) 2 2
𝑃(𝐵|𝐴) = = 6 = ⟹ 𝑃(𝐵|𝐴) =
𝑃(𝐴) 3 3 3
6

Outra maneira de resolver este problema: Como o nós queremos calcular a

probabilidade do evento B na hipótese de A ter ocorrido. Como A ocorreu, então A passa
a ser o novo espaço amostral.

𝐵/𝐴: saída de um número ímpar menor que 4 {1,3} ⇒ ℎ = 2, 𝑛 = 3

! #
𝑃 (𝐵|𝐴) = ⇒ 𝑃(𝐵|𝐴) =
" $

Exemplo 10. Suponha que, de todos os indivíduos que compram uma determinada câmara
digital, 60% incluem um cartão de memória opcional na compra, 40% incluem uma pilha
extra e 30% incluem um cartão e uma pilha. Considere a seleção aleatória de um
comprador e sejam B = {compra de cartão de memória} e A = {compra de pilha }. Dessa
forma, P(B) = 0,60, P(A) = 0,40 e P (compra de ambos) = P(A⋂B) = 0,30. Dado que o
indivíduo selecionado comprou uma pilha extra, a probabilidade de compra de um cartão
opcional é

𝑃(𝐴⋂𝐵) 0,30 3
𝑃(𝐵|𝐴) = = = = 0,75
𝑃(𝐴) 0,40 4

Isto é, de todos os que compraram uma pilha extra, 75% compraram um cartão
de memória extra. De forma análoga,

P(pilha/cartão de memória) = P(B/A)

𝑃(𝐴⋂𝐵) 0,30
𝑃(𝐴/𝐵) = = = 0,50
𝑃(𝐴) 0,60

Observa que, 𝑃(𝐴/𝐵) ≠ 𝑃(𝐴) 𝑒 𝑃(𝐵/𝐴) ≠ 𝑃(𝐵).

10
2. Independência e Dependência de Eventos

Se A1 e A2 são dois eventos, a probabilidade de A2 ocorrer, depois de A1 ter ocorrido, é

definida por P(A2| A1) ou P(A2 dado A1) e é denominada probabilidade Condicional de
A2, depois de A1 ter ocorrido.

Se a ocorrência ou não de A1 não afectar a probabilidade de ocorrência de A2, então

P(A2 | A1) = P(A2) e diz-se que A1 e A2 são eventos independentes, no caso contrário
diz-se que A1 e A2 são eventos dependentes.

Dois acontecimentos A1 e A2 dizem-se independentes se e só se,

P (A1 ∩ A2) = P (A1) P (A2)

Se representar por A1 ∩ A2 (ou A1 . A2) a ocorrência de ambos eventos de A1 e A2, as

vezes denominado Evento Composto, então:

P (A1 ∩ A2) = P(A1) . P (A2| A1) ou P (A1. A2) = P(A1) . P (A2| A1)

Para três eventos, A1, A2, A3, tem-se:

P (A1. A2. A3) = P(A1) P (A2| A1) P(A3| A1 A2)

Isto é, a probabilidade de ocorrência de A1, A2, A3 é igual à probabilidade de A1, vezes

a A2 depois de A1 ter ocorrido, vezes à de A3 depois de ambos eventos A1, A2 terem
ocorrido. Em particular:

P (A1.A2.A3) = P(A1) P(A2) P(A3) para eventos independentes

Em geral, se A1, A2, A3 ,..., An são n eventos independentes que têm, respectivamente
as probabilidade: P1, P2, P3 ,..., Pn, então a probabilidade da ocorrência simultânea de
A1, A2, A3 ,..., An é 𝑃% . 𝑃& . 𝑃# … 𝑃( .

11
3. Teorema de Bayes
Considere A1, A2, A3, ..., An eventos mutuamente excludentes
(exclusivos) cuja união representa o espaço amostral S, isto é, um dos
eventos necessariamente deve ocorrer. Observe o diagrama seguinte,
então:

𝑆 = 𝐴%, 𝐴& + ⋯ + 𝐴( ⇒ (𝐵⋂𝑆) = 𝐵 = (𝐴% 𝐵) + (𝐴& 𝐵) + ⋯ + (𝐴( 𝐵) ⟹

𝑃(𝐵⋂𝑆) = 𝑃(𝐵) = 𝑃(𝐴% 𝐵) + 𝑃(𝐴& 𝐵) + ⋯ + 𝑃(𝐴( 𝐵)

𝑃(𝐵) = 𝑃(𝐴% )𝑃(𝐵|𝐴% ) + 𝑃(𝐴& )𝑃(𝐵|𝐴& ) + 𝑃(𝐴# )𝑃(𝐵|𝐴# ) + ⋯ + 𝑃(𝐴( )𝑃(𝐵|𝐴( )

Por outro lado, como:

𝑃(𝐴- )𝑃(𝐵|𝐴- )
𝑃(𝐴- 𝐵) = 𝑃(𝐵)𝑃(𝐴- |𝐵) = 𝑃(𝐴- )𝑃(𝐵|𝐴- ) ⟹ 𝑃(𝐴- |𝐵) =
𝑃(𝐵)

𝑃(𝐴- ) 𝑃(𝐵|𝐴- )
𝑃(𝐴- |𝐵) =
𝑃(𝐴% )𝑃(𝐵|𝐴% ) + 𝑃(𝐴& )𝑃(𝐵|𝐴& ) + 𝑃(𝐴# )𝑃(𝐵|𝐴# ) + ⋯ + 𝑃(𝐴( )𝑃(𝐵|𝐴( )

Assim, se B é um evento qualquer, temos o seguinte teorema, conhecido como teorema

de Bayes, representado pela expressão:

𝑃(𝐵|𝐴- ) ∗ 𝑃(𝐴- )
𝑃(𝐴- |𝐵) = (
∑-.% 𝑃(𝐵|𝐴- ) ∗ 𝑃(𝐴- )

Saiba que o teorema apresentado permite determinar as probabilidades dos vários eventos
A1, A2, A3, ..., An que podem ser a causa da ocorrência do evento B. Devido a isto, o
teorema de Bayes é também conhecido como teorema da probabilidade das causas.

12
1.4 Cálculo Combinatório

O cálculo de uma probabilidade, através da definição clássica, depende da contagem do

número de casos favoráveis e do número de casos possíveis. Em muitas situações este
cálculo pode não ser imediato.

Para a obtenção da probabilidade de eventos complexos, a enumeração de casos é

frequentemente difícil, tediosa, ou ambas coisas. Para facilitar o trabalho necessário,
apela-se para os conceitos estudados na disciplina denominada Análise Combinatória.

O cálculo combinatório é uma ferramenta que nos poderá auxiliar em muitas dessas
situações.

1. Princípio Fundamental

Se um resultado(evento) pode ser obtido de n1 maneiras diferentes e se após isso um

segundo resultado (evento) pode ser obtido de n2 maneiras diferentes, .... (assim

sucessivamente), então todos os k resultados podem ser obtidos de 𝑛% ∗ 𝑛& ∗ 𝑛# ∗ … ∗ 𝑛/

maneiras diferentes.

2. Arranjos

Arranjos de n elementos r a r, que se representa por nAr, é o número de grupos que se

podem constituir com r dos n objectos dados (todos diferentes), diferindo uns dos outros

quer pela ordem, quer pela natureza (𝑛 ≥ 𝑟).

Sejam dados n objectos distintos queremos dispor r desses objectos em uma fileira. Como

há n maneiras de escolher o primeiro objecto e após isso, (𝑛 − 1) maneiras de escolher o

segundo, ... e facilmente, (𝑛 − 𝑟 + 1) maneiras de escolher o 𝑟 − é𝑠𝑖𝑚𝑜 objecto.

Segundo o princípio fundamental de contagem temos:

O número de arranjos de n objectos r a r é representado por 𝑛𝐴𝑟 = 𝐴0( = 𝐴(𝑛, 𝑟) = 𝐴(,0

e é determinado por:

𝐴0( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1)

13
 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!
𝐴0( =
(𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!

𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟)!
𝐴0( =
(𝑛 − 𝑟)!

3. Permutação

Permutação de n elementos é o número de grupos que se podem constituir com todos os

n elementos, grupos que diferem uns dos outros pela ordem dos seus elementos

Sejam dados n objectos distintos queremos dispor r desses objectos em uma fileira. Como

há n maneiras de escolher o primeiro objecto e após isso, (𝑛 − 1) maneiras de escolher o

segundo, ... e facilmente, (𝑛 − 𝑟 + 1) até {𝑛 − (𝑛 − 1)} maneiras de escolher o

𝑛 − é𝑠𝑖𝑚𝑜 objecto. Segundo o princípio fundamental de contagem temos:

O número de permutação de n objectos r a r é representado por 𝑛𝑃𝑛; 𝑃(( ; 𝑃(𝑛, 𝑛); 𝑃(,(

determinado por:

𝑃( = 𝐴(( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 2) ∗ (𝑛 − 3) ∗ … ∗ {𝑛 − (𝑛 − 1)}

𝑃( = 𝐴(( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 2) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑛 + 1)

𝑃( = 𝐴(( = 𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 2) ∗ (𝑛 − 3) ∗ … ∗ 1 ⇒ 𝑃( = 𝑛!

14
4. Combinações

Nas permutações(arranjos) intervém a ordem dos arranjos. Assim, ABC é uma

permutação distinta de BCA e CAB. Em muitos problemas, escolhemos dois objectos

sem distinção da ordem em que eles aparecem. Tais escolhas são chamadas

Combinações. O número de combinações de n objectos, tomados r de cada vez, é

representado por (𝐶0 , 𝐶(𝑛, 𝑟), 𝐶(,0 𝑜𝑢 >(0? e é dado por:

𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1)
𝐶(0 =
𝑟!

Multiplicando a fracção por (𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1) obtemos:

𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!
𝐶(0 = ⟹
𝑟! ∗ (𝑛 − 𝑟) ∗ (𝑛 − 𝑟 − 1)!

𝑛 ∗ (𝑛 − 1) ∗ (𝑛 − 3) ∗ … ∗ (𝑛 − 𝑟 + 1) ∗ (𝑛 − 𝑟)!
𝐶(0 = ⟹
𝑟! ∗ (𝑛 − 𝑟)!

𝑛!
𝐶(0 =
(𝑛 − 𝑟)! ∗ 𝑟!

5. Fórmula Binomial de Newton

(𝑎 + 𝑏)( = 𝐶(* . 𝑎( + 𝐶(% . 𝑎(2% . 𝑏 + 𝐶(& . 𝑎(2& . 𝑏 & + ⋯ + 𝐶((2% . 𝑎% . 𝑏 (2% + 𝐶(( . 𝑏 (

15
1.5 Provas Repetidas

1. Prova de Bernoulli
Em provas de repetições (provas de Bernoulli), a probabilidade do evento A ocorrer r
vezes em n provas é:
P" (n) = C"3 ∗ p3 ∗ q"23 p=1−q
Onde:
C"3 − é combinação de n provas o evento A repetir-se r vezes.
p − é a probabilidade de ocorrência do evento A.
q − é a probabilidade de ocorrência do evento oposto de A.
n − é o número de provas
r − é o número de vezes que o evento A se repeti.
Exemplo: Lança-se uma moeda 100 vezes ao ar, calcule a probabilidade do evento de que
a face “cara” ocorre 35 vezes.
A: Evento de ocorrência da face “cara” no lançamento de uma moeda
1 1
S = {cara, coroa}, n = 2, A = {cara}, h = 1 ⇒ P(A) = =𝑝 ⟹𝑝=
2 2
% % %
𝑃>𝐴? = 𝑞 = 1 − & = & ⟹ 𝑞 = &
#)
1 #) 1 %**2#) #)
1 %**
𝑃%** (35) = 𝐶%** ∗o p ∗o p ⟹ 𝑃%** (35) = 𝐶%** ∗o p = 0,000864
2 2 2

16
Capítulo II. Variável Aleatória e Distribuição de Probabilidades
2.1. Variáveis Aleatórias
1. Definição: Chama-se variável aleatória à variável que em resultado de um experimento
assume um e somente um valor possível anteriormente desconhecido e depende de causas
aleatórias.
Exemplos1: O números de meninas, entre 100 recém-nascidos é uma variável aleatória
que tem os seguintes valores:
𝑋 = 0, 1, 2, 3, … , 100
Exemplo2: Distância entre a mira e o projéctil ao disparar-se um canhão, é uma variável
aleatória que tem os valores possíveis pertencentes [𝑎, 𝑏].

disparo
a b

2. Variáveis Aleatórias Discretas e Contínuas

Definição: Chama-se variável aleatória discretas (descontínuas) a variável
que assume valores possíveis com probabilidades determinadas. O número
de valores possíveis de uma variável aleatória discretas pode ser finita ou
infinitas enumerável.
Chama-se variável aleatória contínua, a variável aleatória que pode tomar
todos os valoras de um certo intervalo finito ou infinito. O número de
valores possíveis de uma variável aleatória contínua é infinito.
Denotamos variáveis aleatórias com letras maiúsculas, X, Y, Z, ... e os seus
valores possíveis com letras minúsculas.

2.2. Função de Distribuição da variável Discreta

1. Função de Probabilidade de uma variável discreta
Seja X uma variável aleatória discreta e sejam 𝑥% , 𝑥# , 𝑥$ , … , 𝑥" os seus
valores possíveis dispostos em ordem crescentes. Supondo que:

17
𝑃 (𝑋 = 𝑥& ) = 𝑃& = 𝑓 (𝑥& ) 𝑜𝑛𝑑𝑒 𝑘 = 1, 2, 3, … , 𝑛
Se Introduzirmos a função de probabilidade da V.A. D. X temos:
𝑝& = 𝑓(𝑥& ) 𝑞𝑢𝑎𝑛𝑑𝑜 𝑥 = 𝑥& 𝑜𝑛𝑑𝑒 𝐾 = 1,2,3, … , 𝑛
𝐹 (𝑥 ) = 8
0 = 𝑓(𝑥) 𝑞𝑢𝑎𝑛𝑑𝑜 𝑥 ≠ 𝑥&

𝑥 𝑥% 𝑥# 𝑥$ … 𝑥"
𝑓(𝑥) 𝑓(𝑥% ) 𝑓(𝑥% ) 𝑓(𝑥% ) … 𝑓(𝑥" )
𝑝 𝑝% 𝑝# 𝑝$ … 𝑝"

Esta tabela é chamada “Tabela de distribuição de probabilidade da variável

X ”.
Exemplo: Se jogarmos uma moeda 2 vezes ao ar, seja X o número de
“caras” que aparecem.
Os valores possíveis de X são: 0, 1, 2 com probabilidade de
𝑃 (𝑋 = 0) = 𝑃(𝐴).
A: Evento de ocorrência de “cara” ao lançar-se uma moeda. @𝐴𝐴, 𝐴𝐴, 𝐴𝐴A.
1 1 1
𝑃 (𝐴) = 𝑝 = ⟹ 𝑃C𝐴D = 𝑞 = 1 − 𝑝 = 1 − =
2 2 2

P" (r) = C"3 ∗ p3 ∗ q"23 r = X onde X = 0,1,2 e n=2

P" (x) = C"3 ∗ p4 ∗ q"24
% * % &2* %
⟹ P& (0) = C&* ∗ y&z ∗ y&z ⇒ P& (0) = +

% % % &2% %
⟹ P& (1) = C&% ∗ y&z ∗ y&z ⇒ P& (0) = &

% & % * %
⟹ P& (2) = C&& ∗ y&z ∗ y&z ⇒ P& (2) = +

𝑥 0 1 2 ou

𝑓(𝑥) 𝑓(0) 𝑓(1) 𝑓(2) 𝑥 0 1 2

1 1 1 1 1 1
𝑝' 𝑝'
4 2 4 4 2 4

18
Nota:
1) 𝑓(𝑥) ≥ 0
2) 𝑓(𝑥% ) + 𝑓(𝑥& ) + 𝑓(𝑥# ) + ⋯ + 𝑓(𝑥( ) = 𝑝% + 𝑝& + 𝑝# + ⋯ + 𝑝( = 1
X é o número de aparecimento de face “cara” ao lançar-se uma moeda 2 vezes.
A: Evento de ocorrência de face “cara” no lançamento de uma moeda.
𝑆 = }𝐴𝐴, 𝐴𝐴, 𝐴𝐴, 𝐴𝐴~ ⟹ 𝑛 = 4 𝑒 (𝑋 = 0) ≡ 𝐴
1 1 1
𝑃(𝑋 = 0) = 𝑃>𝐴 ∗ 𝐴? = 𝑃>𝐴? ∗ 𝑃>𝐴? = ∗ =
2 2 4
1 1 2 1
𝑃(𝑋 = 1) = 𝑃>𝐴𝐴 ∪ 𝐴𝐴? = 𝑃>𝐴𝐴 ∪ 𝐴𝐴? = + = =
4 4 4 2
1 1 1
𝑃(𝑋 = 2) = 𝑃(𝐴 ∗ 𝐴) = 𝑃(𝐴) ∗ 𝑃(𝐴) = ∗ =
2 2 4
𝑥 0 1 2
𝑝& 1 1 1
4 2 4

𝑝&
0,50 ...............................
..........

0,25 .......................... ..........................

............... ...............

0 1 2 X

Gráfico em barras de função de probabilidade da variável aleatória X

19
2. Função de distribuição da variável aleatória

A função de distribuição da variável aleatória X é definida como:

𝐹(𝑋) = 𝑃(𝑋 ≤ 𝑥)
Pode obter-se a função de distribuição da variável aleatória X a partir da função de
probabilidade.

𝐹(𝑋) = 𝑃(𝑋 ≤ 𝑥) = • 𝑓(𝑢) , 𝑢≤𝑥

Onde o somatório a direita cobre todos os valores de u para os quais 𝑢 ≤ 𝑥, isto é:

0 𝑠𝑒 − ∞ < 𝑥 < 𝑥%
⎧ 𝑓 ( 𝑥 ) + 𝑓 (𝑥 ) 𝑠𝑒 𝑥& ≤ 𝑥 < 𝑥#
⎪ % &
……………………………………………………………………
𝐹(𝑋) = 𝑃(𝑋 ≤ 𝑥) =
⎨ ……………………………………………………………………
⎪ ……………………………………………………………………
⎩ 𝑓(𝑥% ) + 𝑓(𝑥& ) + ⋯ + 𝑓(𝑥( ) 𝑠𝑒 𝑥( ≤ 𝑥 < +∞

Exemplo. Determinar a função de distribuição da variável aleatória no exemplo anterior

(saída de cara no lançamento de uma moeda 2 vezes). 𝑃(𝑋 ≤ 2)
0 𝑠𝑒 − ∞ < 𝑥 < 0
⎧ %
⎪ +
𝑠𝑒 0≤ 𝑥<1
𝐹(𝑋) = 𝑃(𝑋 ≤ 2) = % %
⎨+ + & 𝑠𝑒 1≤ 𝑥<2
⎪% % %
⎩+ + & + + 𝑠𝑒 2 ≤ 𝑥 < +∞

0 𝑠𝑒 𝑥<0
⎧ 1
⎪ 𝑠𝑒 0≤ 𝑥<1
𝐹(𝑋) = 𝑃(𝑋 ≤ 2) = 4
⎨ 3 𝑠𝑒 1≤ 𝑥<2
⎪ 4
⎩ 1 𝑠𝑒 𝑥≥2

20
2.3. Função de distribuição da variável aleatória contínua (V.A.C.)

Seja X uma variável aleatória contínua.

1. Função de Densidade de probabilidade (fdp)
Dada a função 𝑓(𝑥) definida por:
5
𝑃(𝑎 < 𝑋 < 𝑏) = ˆ 𝑓(𝑥)𝑑𝑥 (1)
6

𝑓(𝑥) é chamada função de Densidade de Probabilidade da variável aleatória contínua X,

se e somente se:
1) 𝑓(𝑥) ≥ 0
,7
2) ∫27 𝑓(𝑥)𝑑𝑥 = 1

2. Função de Distribuição da variável aleatória contínua

A função de Distribuição da variável aleatória contínua X é definida por:
8
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫27 𝑓(𝑡)𝑑𝑡 (𝑋 ≤ 𝑥) = (−∞ < 𝑋 ≤ 𝑥)
Onde 𝑓(𝑥) é a função de densidade.
&
Exemplo: Determine a constante c de modo que a função 𝑓(𝑥) = ‹𝑐𝑥 𝑠𝑒 0 < 𝑥 < 3
0 𝑠𝑒 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
seja uma função de densidade.
a) Determine a função de distribuição da variável X
b) Calcule 𝑃(1 ≤ 𝑋 ≤ 2)
Resolução
,7 ,7 * # ,7
ˆ 𝑓(𝑥)𝑑𝑥 = 1 ⟹ ˆ 𝑓(𝑥)𝑑𝑥 = ˆ 𝑓(𝑥)𝑑𝑥 + ˆ 𝑓(𝑥)𝑑𝑥 + ˆ 𝑓(𝑥)𝑑𝑥 = 1
27 27 27 * #

𝑥<0 ⟹ 𝑓(𝑥) = 0
𝑃𝑎𝑟𝑎 Ž0 < 𝑥 < 3 ⟹ 𝑓(𝑥) = 𝑐𝑥 &
𝑥>3 ⟹ 𝑓(𝑥 ) = 0
,7 * # ,7 #
&
ˆ 𝑓(𝑥)𝑑𝑥 = ˆ 0. 𝑑𝑥 + ˆ 𝑐𝑥 𝑑𝑥 + ˆ 0. 𝑑𝑥 = ˆ 𝑐𝑥 & 𝑑𝑥 = 1
27 27 * # *
#
𝑐𝑥 3 3 1
• = 1 ⟹ 𝑐(3# − 0# p = 3 ⟹ 27𝑐 = 3 ⟹ 𝑐 = ⟹𝑐=
3 0 27 9
Então a função de densidade é:
𝑥&
𝑓(𝑥) = ‘ 9 𝑠𝑒 0 < 𝑥 < 3
0 𝑠𝑒 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

21
 8
a) 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = (−∞ < 𝑋 ≤ 𝑥) ⟹ 𝐹(𝑥) = ∫27 𝑓(𝑡)𝑑𝑡
Se 𝑥 < 0 ⟹ 𝐹(𝑥) = 0
Se 0 < 𝑥 ≤ 3 ⟹ 𝐹(𝑥) = 𝑃(−∞ < 𝑋 ≤ 𝑥) ⟹
8 * 8 * 8 &
𝑡
𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 𝑓(𝑡)𝑑𝑡 + ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 0. 𝑑𝑡 + ˆ 𝑑𝑡 ⟹
27 27 * 27 # 9
8 8
1 1 𝑡# 𝑥 1 # 𝑥#
⟹ 𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ∗ ˆ 𝑡 & 𝑑𝑡 = ∗ ’ = (𝑥 − 0# ) ⟹ 𝐹(𝑥) =
27 9 * 9 3 0 27 27
Se 𝑥 ≥ 3
8 * # 8
⟹ 𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 𝑓(𝑡)𝑑𝑡 + ˆ 𝑓(𝑥)𝑑𝑡 + ˆ 𝑓(𝑡)𝑑𝑡 ⟹
27 27 * *
8 * # & 8
𝑡
⟹ 𝐹(𝑥) = ˆ 𝑓(𝑡)𝑑𝑡 = ˆ 0. 𝑑𝑡 + ˆ 𝑑𝑡 + ˆ 0. 𝑑𝑡 ⟹
27 27 * 9 *

1 # 1 𝑡# 3 1 # 1
⟹ 𝐹(𝑥) = 0 + ˆ 𝑡 & 𝑑𝑡 + 0 = ∗ • = (3 − 0# ) = ∗ 27 = 1
9 * 9 3 0 27 27
Se 𝑥 ≥ 3 ⟹ 𝐹(𝑥) = 1
0 𝑠𝑒 𝑥<0
𝑥#
⟹ 𝐹(𝑥) = “ 𝑠𝑒 0 ≤ 𝑥 < 3
27
1 𝑠𝑒 𝑥≥3

&! %! :2% 9
b) Calcule 𝑃(1 ≤ 𝑋 ≤ 2) = 𝐹(2) − 𝐹(1) = &9 − &9 = &9
= &9
7
⇒ 𝑃(1 ≤ 𝑋 ≤ 2) =
27

22
2.4. Distribuição Conjunta

1. Caso discreto
Suponhamos que X pode tomar qualquer um dos m valores possíveis 𝑥% , 𝑥& , 𝑥# , … , 𝑥;
e Y pode tomar qualquer um dos n valores possíveis 𝑦% , 𝑦& , 𝑦#, … , 𝑦( .

A probabilidade do evento "𝑋 = 𝑥- , 𝑌 = 𝑦- " é dado por:

𝑃(𝑋 = 𝑥- , 𝑌 = 𝑦- ) = 𝑓(𝑥- , 𝑦- ) = 𝑝-> (1)
Uma função de probabilidade conjunta para x e y pode ser representada por uma “tabela
de probabilidade conjunta”.

y 𝑦% 𝑦& ... 𝑦( Totais

x
𝑥% 𝑓(𝑥% ; 𝑦% ) 𝑓(𝑥% ; 𝑦& ) ... 𝑓(𝑥% ; 𝑦( ) 𝑓% (𝑥)
𝑥& 𝑓(𝑥& ; 𝑦% ) 𝑓(𝑥& ; 𝑦& ) ... 𝑓% (𝑥)

. . . ... . .
. . . ... . .
. . . ... . .
𝑥; 𝑓(𝑥; ; 𝑦% ) 𝑓(𝑥; ; 𝑦& ) ... 𝑓(𝑥; ; 𝑦( ) 𝑓% (𝑥; )
Totais 𝑓& (𝑦% ) 𝑓& (𝑦& ) ... 𝑓& (𝑦( ) 1

A função de distribuição conjunta de x e y é definida por:

𝐹(𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥; 𝑌 ≤ 𝑦)

2. Caso contínuo

A probabilidade de X estar entre 𝑎 𝑒 𝑏 e de Y estar entre 𝑐 𝑒 𝑑 é dado por:

5 ?
𝑃(𝑎 < 𝑥 < 𝑏 , 𝑐 < 𝑦 < 𝑑) = ˆ ˆ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦
6 @

Onde 𝑓(𝑥, 𝑦) é chamada de função de densidade de duas variáveis aleatórias X e Y.

A função de distribuição conjunta de X e Y é dada por:
8 A
𝐹(𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥 , 𝑌 ≤ 𝑦) = ˆ ˆ 𝑓(𝑢, 𝑣)𝑑𝑢𝑑𝑣 ⨂
27 27

23
 Exercícios
1. Determine a função de probabilidade de X “a variável aleatória do número de
meninas em família com 3 filhos”, admitindo iguais as probabilidades de meninas e
meninos.
a) Calcule a função de distribuição.
@
2. Uma variável X tem função de densidade 𝑓(𝑥) = 8 " ,% 𝑐𝑜𝑚 − ∞ < 𝑥 < +∞

a) Determinar o valor da constante c.

b) Determinar a função de distribuição 𝐹(𝑥).
%
c) Determinar a 𝑃( ≤ 𝑥 ≤ 1)
√#
%
d) Determinar a 𝑃(# ≤ 𝑥 & ≤ 1)

24
3. Funções Marginais de Probabilidade e Funções de Distribuição Marginal
A última linha e última coluna da tabela das probabilidades 𝑓(𝑥- , 𝑦- ) os valores 𝑓% (𝑥- )
e 𝑓& >𝑦> ? são chamadas funções marginais de probabilidades de X e Y respectivamente.
Em caso contrário, a partir da fórmula ⨂, tem-se:
8 ,7
𝐹% (𝑥) = 𝑃(𝑋 ≤ 𝑥 ) = ˆ ˆ 𝑓(𝑢, 𝑣)𝑑𝑢𝑑𝑣 (1)
D.27 C.27
,7 A
𝐹& (𝑦) = 𝑃(𝑌 ≤ 𝑦) = ˆ ˆ 𝑓(𝑢, 𝑣)𝑑𝑢𝑑𝑣 (2)
D.27 C.27

Às equações (1) e (2) chamam-se funções de distribuição marginal de X e Y

respectivamente.
,7
𝑓(𝑥) = 𝐹´% (𝑥) = ˆ 𝑓(𝑥, 𝑣)𝑑𝑣
D.27
,7
𝑓(𝑦) = 𝐹´& (𝑦) = ˆ 𝑓(𝑢, 𝑦)𝑑𝑣
D.27

Exemplo 1: A função de probabilidade conjunta de duas variáveis aleatórias discretas X

e Y é: 𝑓(𝑥, 𝑦) = 𝑐(2𝑥 + 𝑦) onde x e y podem tomar os valores inteiros tais que:
0 ≤ 𝑥 ≤ 2 ; 0 ≤ 𝑦 ≤ 3, sendo 𝑓(𝑥, 𝑦) = 0 em caso contrário.
a) Determine o valor da constante c.
b) Determine 𝑃(𝑋 = 2 ; 𝑌 = 1)
c) Determine 𝑃(𝑋 ≥ 1 ; 𝑌 ≤ 2)

Exemplo 2: Determinar as funções de probabilidades marginais de x e de y do exemplo

anterior.
Exemplo 3: A função de densidade conjunta de duas variáveis aleatórias X e Y contínua
𝑐𝑥𝑦 𝑠𝑒 0 < 𝑥 < 4 𝑒 1 < 𝑦 < 5
é: 𝑓(𝑥, 𝑦) = ‹
0 𝑠𝑒 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
a) Determine o valor da constante c.
b) Determine 𝑃(1 < 𝑥 < 2 ; 2 < 𝑦 < 3)
c) Determine as funções de distribuição marginal de x e de y

25
Capítulo III. Momentos

3.1. Esperança Matemática

Seja X uma variável aleatória discreta que pode tomar os valores 𝑥% , 𝑥& , 𝑥# , … , 𝑥(
define-se a esperança matemática (valor esperado) como:

𝐸(𝑥) = 𝑥% 𝑃(𝑥 = 𝑥% ) + 𝑥& 𝑃(𝑥 = 𝑥& ) + ⋯ + 𝑥( 𝑃(𝑥 = 𝑥() ou

(

𝐸(𝑥) = 𝑥% 𝑓(𝑥% ) + 𝑥& 𝑓(𝑥& ) + ⋯ + 𝑥( 𝑓(𝑥( ) = • 𝑥- 𝑓(𝑥- )

-.%

Onde 𝑓(𝑥- ) = 𝑃(𝑥 = 𝑥- ) 𝑒 𝑖 = 1, 2, 3, 4, … , 𝑛

Seja X uma variável aleatória contínua com função de densidade 𝑓(𝑥% ) define-se a
esperança matemática como:

,7
𝐸(𝑥) = ˆ 𝑥𝑓(𝑥) 𝑒 𝐸(𝑥) = 𝜇
27

Em caso particular se X toma os valores possíveis 𝑥% , 𝑥& , 𝑥# , … , 𝑥( com probabilidades

%
iguais quando 𝑃(𝑥 = 𝑥- ) = ( a esperança é dada por:
1 1 1 𝑥% + 𝑥& + 𝑥# + ⋯ + 𝑥(
𝐸(𝑥) = 𝑥% ∗ + 𝑥& ∗ + ⋯ + 𝑥( ∗ =
𝑛 𝑛 𝑛 𝑛
Então, a esperança é igual a média aritmética dos valores de 𝑥% , 𝑥& , 𝑥# , … , 𝑥( .
Exemplo: Determine a esperança matemática cuja função de densidade da variável
aleatória X, é dada por:
1
𝑓(𝑥) = ‘ 2 𝑥 𝑝𝑎𝑟𝑎 0 < 𝑥 < 2
0 𝑒𝑚 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

26
 Propriedades da Esperança Matemática

1. Se C é uma constante, então:

𝑬(𝑪𝑿) = 𝑪 ∗ 𝑬(𝑿)
2. Se X, Y são duas variáveis aleatórias quaisquer, então:
𝑬(𝑿 + 𝒀) = 𝑬(𝑿) + 𝑬(𝒀)
3. Se X, Y são duas variáveis aleatórias quaisquer, então:
𝑬(𝑿 ∗ 𝒀) = 𝑬(𝑿) ∗ 𝑬(𝒀)

Esperança Matemática de uma função de variável aleatória

Seja X uma variável aleatória. Então 𝑦 = 𝑔(𝑥) também é uma variável aleatória.
Definimos:
Escreva uma equação aqui.

27