3.

Variáveis aleatórias e distribuições

discretas
Numa experiência aleatória, independentemente de o seu espaço de re-
sultados ser expresso numericamente, tem interesse em considerar-se
funções reais, conhecidas por variáveis aleatórias.

Exemplo 3.1: Numa urna com 5 peças defeituosas (D) e 4 perfeitas (D̄),
retiram-se ao acaso 2 duas peças sem reposição. Seja X o número de
peças defeituosas nas duas peças retiradas.

P (X = 0) = P (D̄1 ∩ D̄2 ) = 94 × 38 = 72
12

40
P (X = 1) = P (D̄1 ∩ D2 ) + P (D1 ∩ D̄2 ) = 72
20
P (X = 2) = P (D1 ∩ D2 ) = 72

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 19/208

Variáveis aleatórias. Função de distribuição.

Definição 3.1: Uma variável aleatória (v.a.) é uma função que associa
um número real a cada ponto do espaço de resultados de uma experiên-
cia aleatória.
Rigorosamente, dado um espaço de probabilidade (Ω, A, P ), uma var-
iável aleatória X é uma função com domínio Ω e contradomínio na recta
real (X : Ω → IR) tal que o conjunto Ar ≡ {w ∈ Ω : X(ω) ≤ r} ∈ A,
∀ r ∈ IR.
As variáveis aleatórias podem assumir um número finito ou infinito de
valores possíveis.

Definição 3.2: Dada uma variável aleatória X, a função de distribuição

(cumulativa) de X é dada por

FX (x) ≡ P (X ≤ x), ∀ x ∈ IR.

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 20/208
Variáveis aleatórias discretas.
Definição 3.3: Se o conjunto dos possíveis valores de uma variável
aleatória for finito ou infinito enumerável, a v.a. é dita ser discreta.

Função (massa) de probabilidade.

Definição 3.4: Dada uma variável aleatória discreta X com os possíveis
valores x1 , x2 , . . ., a função

fX (xi ) = P (X = xi )

denota a probabilidade de ocorrência de {xi }, conhecida por função

(massa) de probabilidade (f.m.p.), satisfazendo as seguintes condições:
1. fX (xi ) > 0, ∀ i = 1, 2, . . ..
P
2. i≥1 fX (xi ) = 1.

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 21/208

Exemplo 3.1a: Na extracção, sem reposição, de 2 peças da urna com 5

peças defeituosas e 4 perfeitas, qual a função massa de probabilidade de
X (número de peças defeituosas nas 2 peças retiradas)? E a sua função
de distribuição?
 12
72
, x = 0; fX (x)
6


 40 ,

x = 1;
fX (x) = 72
20
1
, x = 2;
 72

-


0, c.c. 0 1 2 x


0, x < 0; FX (x)
6


 12 ,

0 ≤ x < 1;
FX (x) = 72 1
52
 72
, 1 ≤ x < 2;
-


1, x ≥ 2.

0 1 2 ··· x

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 22/208

Exemplo 3.1b: Na urna com 5 peças defeituosas (D) e 4 perfeitas (D̄),
retiram-se peças com reposição até à primeira peça defeituosa. Seja Z
o número de peças perfeitas até encontrar a primeira peça defeituosa.
Qual a função massa de probabilidade de Z?
P (Z = 0) = P (D1 ) = 95
P (Z = 1) = P (D̄1 ∩ D2 ) = 94 × 59
P (Z = 2) = P (D̄1 ∩ D̄2 ∩ D3 ) = ( 49 )2 × 5
9
.. ..
. .
P (Z = z) = ( 49 )z × 5
9
= fZ (z), z = 0, 1, . . . ,
que é a função massa de probabilidade de Z, satisfazendo:
• fZ (z) > 0, ∀ z = 0, 1, . . ..
∞
X ∞
X
• fZ (z) = ( 95 ) ( 49 )z = ( 95 ) 1−(4/9)
1
= 1.
z=0 z=0

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 23/208

Propriedades da função de distribuição.

Seja X uma v.a. discreta com função de probabilidade fX (x). A função
de distribuição de X, FX (x), satisfaz as seguintes propriedades:

P1 : Se x ≤ y, então FX (x) ≤ FX (y). Ou seja, FX é uma função não

decrescente.
P2 : Se xn ↓ x (n → ∞), então FX (xn ) ↓ FX (x). Ou seja, FX é uma
função contínua à direita.
P3 : Se xn ↓ −∞ (n → ∞), então FX (xn ) ↓ 0 com FX (−∞) = 0.
P4 : Se xn ↑ ∞ (n → ∞), então FX (xn ) ↑ 1 com FX (∞) = 1.

Note-se ainda que, se FX (x) é a função de distribuição de X (v.a. disc-

reta com os possíveis valores x1 , x2 , . . .), a função massa de probabili-
dade é dada

fX (xi ) = P (X = xi ) = FX (xi ) − FX (xi−1 ).

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 24/208
Valor esperado e variância.
Definição 3.5: Dada uma v.a. discreta X com f.m.p. fX (xi ), i =
1, 2, . . ., o valor esperado (ou valor médio ou esperança) de X é dado
por
X
E(X) = xi fX (xi ).
i≥1

Definição 3.6: Dada uma variável aleatória discreta X com função de

probabilidade fX (xi ), i = 1, 2, . . ., a variância de X é dada por
X
V ar(X) = (xi − E(X))2 fX (xi ).
i≥1

Outras medidas de dispersão:

p
• Desvio padrão: DP (X) = + V ar(X).
• Coeficiente de variação: CV (X) = DP (X)/|E(X)|.
NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 25/208

Moda e quantis.
Definição 3.7: Dada uma v.a. discreta X com f.m.p. fX (xi ), i =
1, 2, . . ., a moda e a mediana de X são dadas, respectivamente, por
i) mo (X) = xo : max fX (xi ) = fX (xo ).
i≥1

ii) md (X) = xd : P (X ≤ xd ) ≥ 0.5 e P (X ≥ xd ) ≥ 0.5.

Se xi ∈ IN , pode-se encontrar xo usando as relações

fX (xo )/fX (xo −1) ≥ 1 e fX (xo )/fX (xo +1) ≥ 1.

Definição 3.8: Dado qualquer número p, 0 < p < 1, o p-ésimo quantil

de uma variável aleatória X, denotado por qp , é dado por

P (X ≤ qp ) ≥ p e P (X ≥ qp ) ≥ 1 − p.

Note-se que a mediana é o quantil q0.5 .

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 26/208
Exemplo 3.2: Num lançamento de um dado, um jogador aposta 5 euros
nas seguintes condições: i) Se sair face 6, ele ganha 4 vezes o montante
apostado; ii) Se sair face 4 ou 5, ele ganha 5 euros; iii) caso contrário,
ele nada ganha. Qual o lucro (X) esperado do jogador?

X −5 0 15
fX (x) 1/2 1/3 1/6
X
E(X) = x fX (x) = 0 euro.
x

E o lucro modal e mediano? mo (X) = −5 euros. md (X) = {0, −5}

euros. E a variância de X?
X
V ar(X) = x2 fX (x) = 50 euros2 .
x

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 27/208

Algumas das suas propriedades.

Teorema 3.1: Seja X uma variável aleatória discreta com f.m.p. fX (xi ),
i = 1, 2, . . ., e g(X) uma função de X. O valor esperado de g(X) é
X
E(g(X)) = g(xi )fX (xi ).
i≥1

Se g(X) = X k (k inteiro positivo), o valor esperado E(X k ) é con-

hecido por momento (ordinário) de ordem k de X.
Se X uma variável aleatória com valor esperado E(X) e variância
V ar(X), têm-se as seguintes propriedades:

P1 : E(aX + b) = aE(X) + b, a 6= 0 e b constantes.

P2 : V ar(aX + b) = a2 V ar(X), a 6= 0 constante.
P3 : V ar(X) = E(X 2 ) − E(X)2 .

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 28/208

Funções de variáveis aleatórias.
Seja X uma variável aleatória definida no espaço de resultados Ω as-
sociado à experiência aleatória E. Se y = g(x) é uma função real
(mensurável) de x, com x = X(ω) para algum ω ∈ Ω, então Y = g(X)
é também uma variável aleatória definida no mesmo espaço de proba-
bilidade.

Se X é uma variável aleatória discreta com f.m.p. fX (x) e con-

tradomínio D = {x1 , x2 , . . .}, então Y = g(X) é também uma variável
aleatória discreta com f.m.p.
X
fY (y) = P (Y = y) = P (X ∈ Ay ) = fX (xi ), y ∈ D∗
xi ∈Ay

onde Ay = {x ∈ D : g(x) = y} e D∗ = g(D) é o contradomínio de Y .

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 29/208

Distribuição uniforme discreta.

Definição 3.9: Diz-se que uma variável aleatória X tem distribuição
uniforme discreta se todos os seus valores x1 , . . . , xk são igualmente
prováveis, com f.m.p dada por
(
1/k, x = x1 , . . . , xk ;
fX (x) =
0, c.c.

O valor esperado e a variância de uma variável aleatória X com dis-

tribuição uniforme discreta {1, . . . , k} são, respectivamente,
k k  X k 2
1X 1X 2 1
E(X) = xi e V ar(X) = x − xi .
k i=1 k i=1 i k i=1

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 30/208

Distribuição hipergeométrica.
Definição 3.10: Considere uma população com N elementos dos quais
M possuem uma certa característica (sucesso). Retira-se uma amostra,
sem reposição, de dimensão n, anotando-se o número X de elementos
com a característica na amostra. A distribuição de probabilidade da v.a.
X é designada distribuição hipergeométrica, cuja f.m.p. é
 M N −M
 ( x )( n−x ) , max(0, n+M −N ) ≤ x ≤ min(n, M );
fX (x) = (Nn )
0, c.c.

O valor esperado e a variância de uma variável aleatória X com dis-

tribuição hipergeométrica (N, M, n) são, respectivamente,

M M N −M N −n
E(X) = n e V ar(X) = n .
N N N N −1
NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 31/208

Exemplo 3.3: Seja X uma v.a. com distribuição uniforme discreta

{1, . . . , 6}. Qual a variância de X?

E(X) = 61 6i=1 i = 3.5

P

E(X 2 ) = 16 6i=1 i2 ≃ 15.167

P

V ar(X) = E(X 2 ) − E(X)2 ≃ 2.917

Exemplo 3.4: Numa turma de 10 estudantes dos quais 3 são mulheres,

2 estudantes foram sorteados para formar uma comissão. Qual a proba-
bilidade de haver pelo menos uma mulher na comissão?
Seja X o número de mulheres na comissão de 2 estudantes.
X ∼ Hipergeométrica(N = 10, M = 3, n = 2).

P (X ≥ 1) = 1 − P (X = 0) ≃ 0.533

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 32/208

Distribuição binomial.
Definição 3.11: Uma experiência aleatória com somente dois resulta-
dos possíveis, sucesso (ocorrência de um acontecimento de interesse) e
fracasso (caso contrário) é conhecida por ensaio de Bernoulli, cuja v.a.
subjacente é dada por
(
1, se ocorrência de sucesso;
X=
0, se ocorrência de fracasso

e a sua função massa de probabilidade é dada por

(
px (1 − p)1−x , x = 0, 1;
fX (x) =
0, c.c.,

onde p = P (X = 1) é a probabilidade de sucesso, 0 < p < 1. Conse-

quentemente, E(X) = p e V ar(X) = p(1 − p).
NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 33/208

Definição 3.12: Considere uma experiência aleatória com n ensaios de

Bernoulli independentes e todos com probabilidade de sucesso p. A
v.a. correspondente ao número X de sucessos na experiência tem dis-
tribuição binomial com parâmetros n e p, com f.m.p.
(

n x
x
p (1 − p)n−x , x = 0, 1, . . . , n;
fX (x) =
0, c.c.

• O valor esperado e a variância de X ∼ Binomial(n, p) são, re-

spectivamente,

E(X) = n p e V ar(X) = n p(1 − p).

• Se Xi ∼ Bernoulli(p), i = 1, . . . , n, são v.a. independentes, então
Pn
X= i=1 Xi ∼ Binomial(n, p).
• Se X ∼ Binomial(n, p), então n−X ∼ Binomial(n, (1 − p)).

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 34/208

 Distribuição Binomial (n=10,p=0.2) Distribuição Binomial (n=10,p=0.8)

0.4

0.4
0.3

0.3
f(x)

f(x)
0.2

0.2
0.1

0.1
0.0

0.0
0 2 4 6 8 10 0 2 4 6 8 10

x x

Distribuição Binomial (n=10,p=0.5) Distribuição Binomial (n=30,p=0.5)

0.4

0.4
0.3

0.3
f(x)

f(x)
0.2

0.2
0.1

0.1
0.0

0.0

0 2 4 6 8 10 0 5 10 15 20 25 30

x x

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 35/208

Exemplo 3.5: Considere um teste de múltipla escolha com 10 questões,

onde somente uma das 5 alíneas de cada questão está correcta. Qual
a probabilidade de um aluno acertar pelo menos metade das questões
fazendo o teste ao acaso?

Seja X o número de questões correctas no teste do aluno. X ∼

Binomial(n = 10, p = 1/5).

P (X ≥ 5) = 1 − FX (4) = 1 − 0.9219 = 0.0781

Qual a nota esperada desse aluno, se cada questão correcta vale 1? E a

variância de X?

E(X) = 2 valores
V ar(X) = 1.6 valores2

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 36/208

Distribuição geométrica.
Definição 3.13: Considere uma experiência aleatória envolvendo a re-
alização de ensaios de Bernoulli independentes, com probabilidade de
sucesso p, até à ocorrência do primeiro sucesso. A v.a. X número de
ensaios realizados até à ocorrência do primeiro sucesso tem distribuição
geométrica com parâmetro p, 0 < p < 1, com f.m.p.
(
(1 − p)x−1 p, x = 1, 2, . . . ;
fX (x) =
0, c.c.,

O valor esperado e a variância de X ∼ Geométrica(p) são, respectiva-

mente,
1 1−p
E(X) = e V ar(X) = .
p p2

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 37/208

Teorema 3.2: (Propriedade da falta de memória) Se uma v.a. X ∼

Geométrica(p), então

P (X > i + j|X > j) = P (X > i), ∀ i, j = 1, 2, . . . .

Exemplo 3.6: Seja X o número de lançamentos de um dado até ao

surgimento da primeira face 6. Qual o número esperado de lançamentos
do dado até sair face 6?
Como X ∼ Geométrica(p = 16 ), E(X) = 6 lançamentos.
Qual a probabilidade de haver mais de 7 lançamentos, sabendo que já
houve mais de 3 lançamentos do dado?

X 5 x−1 1
P (X > 7|X > 3) = P (X > 4) = ≃ 0.4822
x≥5
6 6

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 38/208

Distribuição de Poisson.
Definição 3.14: Em algumas experiências aleatórias, anota-se por vezes
o número X de ocorrências de um evento de interesse num dado inter-
valo de tempo, superfície, volume, etc. A v.a. X tem distribuição de
Poisson de parâmetro λ quando a sua f.m.p. é dada por
( −λ x
e λ
x!
, x = 0, 1, 2, . . . ;
fX (x) =
0, c.c.,

onde λ é a taxa (esperada) de ocorrência do evento de interesse.

• O valor esperado e a variância de X ∼ Poisson(λ) são iguais a

E(X) = V ar(X) = λ.
• Neste cenário, X poderá representar, e.g., o número de chamadas
telefónicas recebidas durante 1 hora num dado escritório.

NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 39/208

Teorema 3.3: Seja X o número de ocorrências de um evento de interesse

num dado período de tempo (região). Se X ∼ Poisson(λ), então
Xt
X= Xi ,
i=1

com Xi ∼ Poisson( λt ),
i = 1, . . . , t (independentes e identicamente
distribuídas), sendo Xi o número de ocorrências do evento em cada
uma das t fracções do período de tempo (região).

Exemplo 3.7: Suponha que X é o número de passas de um bolo-rei

oriundo de uma padaria que se sabe ter uma distribuição de Poisson com
taxa média de 5 passas por bolo. Qual a probabilidade de encontrar pelo
menos 1 passa em meio bolo-rei dessa padaria?
Seja X ∗ o número de passas em meio bolo-rei produzido nessa padaria.
X ∗ ∼ Poisson(λ∗ = 2.5).
P (X ∗ ≥ 1) = 1 − P (X ∗ = 0) = 1 − e−2.5 ≃ 0.918.
NOTAS DE PROBABILIDADES E ESTATÍSTICA - GS – 40/208