1

1. VARIÁVEL ALEATORIA DISCRETA

É o tipo de variável que assume um número finito de valores possíveis ou número infinito
enumerável. De um modo geral, os valores de X pertencem ao conjunto dos inteiros. Uma
variável aleatória discreta está bem definida se pudermos indicar os possíveis valores x 1,
x2,..., xn que ela pode assumir e as respectivas probabilidades p(x1), p(x 2),..., p(xn). Se
conhecermos a os pares (xi; p(xi)), para todo i, conhecemos a distribuição de probabilidades
da variável aleatória X.

Função de distribuição acumulada de probabilidade – F(x) Definição: A função distribuição

ou função distribuição acumulada de probabilidade de uma variável aleatória discreta X é
definida, para qualquer número real 𝑥, pela seguinte expressão: 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)

Valor esperado, Média ou Esperança matemática

Dada uma v.a. discreta, assumindo os valores x 1, x2,..., xn , chamamos valor médio ou
esperança de X ao valor:

E (X) = ∑Pi. Xi

aVriância e Desvio padrão de uma variável aleatória discreta

Definição: Chamamos de variância de uma v.a. discreta ao valor:

Var (X) = E(x2) - [E(x)]2

Neste contexto, o desvio padrão é dado pela formula:

Desvio Padrão = DP = √ Var (x)

1
 2

2. VARIÁVEL ALEATÓRIA CONTÍNUA

É o tipo de variável que assume todos os valores em um intervalo de números. A distribuição

de probabilidade de X é descrita por uma curva de densidade. A distribuição de uma variável
aleatória contínua associa as probabilidades às áreas sob uma curva de densidade f(x). Neste
caso, os valores de X pertencem ao conjunto dos reais.

Condições:

a) f(x) ≥0 b)

b) ∫ 𝑓(𝑡)𝑑𝑡 = 1

Neste tipo de distribuição o bvalor esperado é dado pela formula:

E(x) = ∫f(x) dx, com limites de integração de a até b.

O valor da variância é dado pela formula:

Var (X) = E(x2) - [E(x)]2

Onde: E(x2) = = ∫ x f(x) dx, com limites de integração de a até b.

Neste contexto, o desvio padrão é dado pela formula:

Desvio Padrão = DP = √ Var (x)

3. DISTRIBUIÇÃO BINOMIAL

A distribuição binomial está inserida no grupo da distribuição teórica da probabilidade.

Afinal, ela ajuda a identificar quais as chances de um resultado específico ocorrer a partir de
dados anteriormente verificados.

2
 3

Nesse caso, a fórmula que utilizamos para a determinação da probabilidade binomial é a

seguinte:

P (X = k) = Cnk . P k . q (n-k)

Onde:

 P – probabilidade de sucesso
 p = (1 – p) ou q – probabilidade de fracasso
 n – total de ensaios
 k – número de sucessos da amostra

Valor Esperado e Variância

Se a X ~ B(n, p) (isto é, X é uma variável aleatória binomialmente distribuida), então o valor

esperado de X é da variância é:

E(X) = np Var (X) = npq Onde q = (1-p)

Exemplo caixa de ovos

Uma caixa de ovos com 6 unidades possui a probabilidade de 5% de ser quebrado em 3

situações: enquanto é manuseado, no transporte e nas gôndolas.

Qual a probabilidade de na mesma caixa de ovos existirem 2 unidades quebradas?

De acordo com as informações do problema, já sabemos que o total de ensaios n é igual a 6.

Afinal, cada caixa de ovos comporta 6 unidades. Com relação às probabilidades temos duas
opções: inteiro ou quebrado. Para representar a incidência dos ovos quebrados utilizaremos p;
para representar a probabilidade de o ovo estar inteiro utilizaremos q. Já sabemos, também,
que é de 5% a probabilidade de um dos ovos quebrar.

3
 4

Nesse caso, p é que recebe esse dado. Na porcentagem, temos um número como referencial
que é o 100. Assim, para sabermos quais as chances para que um dos ovos quebre é preciso
subtrair p de q.

Assim, teremos:

q = 100 – p => q = 100 – 5 => q = 95.

Ou seja, as chances do ovo não se quebrar, de ficar inteiro, são de 95%. Mas não podemos
utilizar esses números em forma de porcentagem na fórmula.

Precisamos transformá-los para que fiquem em forma unitária. Para fazer essa transformação
basta dividir a porcentagem por 100.

Dessa forma, transformando 95% na fração 95/100 o resultado fica 0,95.

Caso tenha dúvida se o cálculo está correcto basta somar os valores correspondentes a p e q.
Essa soma deve dar 1 como a seguir:

p + q = 1 => 0,05 + 0,95 = 1 => 1 = 1.

Já temos os valores de p, q, n, mas e o valor de k? O valor dessa variável é obtido pelo evento
que se deseja realizar o cálculo da probabilidade.

No nosso exemplo, queremos saber quais as chances do consumidor adquirir uma caixa com
2 ovos quebrados. P(x=2)?

Portanto, o valor de k será 2 que, ao aplicarmos na equação teremos:

4
 5

Agora podemos substituir os valores na fórmula da distribuição binomial:

4. DISTRIBUIÇÃO DE POISSON

Esta é uma distribuição associada a “eventos raros”. As razões para isso se tornarão mais
claras a medida que a aplicação desse modelo for descrita. Os eventos podem ser:

 Acidentes automotivos
 Erros de digitação
 Chegada de um cliente em um banco
 Entre outros eventos

Na teoria da probabilidade e na estatística, a distribuição de Poisson é uma distribuição de

probabilidade discreta que expressa a probabilidade de um determinado número de eventos
ocorrer em um intervalo fixo de tempo ou espaço se esses eventos ocorrerem com uma taxa
média constante conhecida e independentemente do tempo desde o último evento

Seja λ a média de eventos em um intervalo de tempo, área ou volume, ou ainda a taxa média
de ocorrência por unidade medida. Seja a variável aleatória X a contagem do número de
eventos ocorrendo no intervalo. Então sob certas condições pode ser demonstrado que,

P(X=k) = e –k . λ k / k!

A distribuição de Poisson é aplicável quando o número de possíveis ocorrências discretas é

muito maior do que o número médio de ocorrências em um determinado intervalo de tempo

5
 6

ou espaço. O número de possíveis ocorrências, muitas vezes não se sabe exactamente. Os

resultados devem ocorrer de forma aleatória, ou seja, totalmente por acaso e da probabilidade
de ocorrência não deve ser afectado por se ou não os resultados ocorrido anteriormente, de
modo que as ocorrências são independentes. Em muitos casos, embora possamos contar as
ocorrências, como a de uma tempestade, não podemos contar as não ocorrências
correspondentes.

Exemplo 1

Um vendendor de seguro de vida vende em média 3 seguros de vida por semana. Utilize a
distribuição de Poisson para calcular em que uma dada semana ele irá vender,

a. Alguns seguros.

Solução

De acordo com o enunciado temos λ=3

a. Alguns seguros.

Alguns seguros significa “1 ou mais seguros”. Para resolvermos esse problema devemos
utilizar o complemento.

P (X > 0) = 1 – P( X = 0) = 1 - e -3. 3 0 / 0! = 0.95

Docente: Dr. João Vilar