Estatstica e Pesquisa - UVB

Variveis Aleatrias Distribuies Discretas

Paulo Roberto do Nascimento

Objetivo da Aula
Ao final desta Aula, voc dever ser capaz de:

explicar que, em certos tipos de experimentos

aleatrios, os resultados podem ser expressos
por quantidades numricas.

Faculdade On-line UVB

57

Estatstica e Pesquisa - UVB

Introduo
Muitas situaes cotidianas no podem ser descritas
numericamente de forma determinstica, devido ao fato de
estarem associadas a experimentos aleatrios. Nesses casos,
utilizamos o termo varivel aleatria para descrever o valor
correspondente ao resultado desse experimento.

VARIVEIS ALEATRIAS
Definio
Seja S um espao amostral de um experimento aleatrio.
Se, para cada ponto de S, associarmos um nico nmero real,
teremos uma funo de S no conjunto dos nmeros reais. A
funo assim definida denominada varivel aleatria.
Nesta disciplina, vamos denotar as variveis aleatrias
(v.a.) por letras maisculas e os valores que elas podem
assumir por letras minsculas.
Por exemplo, seja X uma varivel aleatria que denota o
nmero de caras aps trs lanamentos sucessivos de uma
moeda equilibrada.
Os resultados possveis para X so:
x = 0 (nenhuma),
x = 1 (exatamente uma),
x = 2 (exatamente duas),
x = 3 (exatamente trs),
que podem ser descritos em um conjunto X(S) = {0,1, 2, 3}.
As variveis aleatrias so variveis quantitativas. Por
este motivo, tambm so classificadas de acordo com o
nmero de resultados que podem assumir. Quando esse
nmero finito ou infinito enumervel, dizemos que ela
discreta, isto , ela pode assumir um nmero limitado de
valores em qualquer escala de medida, pode ser obtida
mediante alguma forma de contagem, e a interpretao de
seus valores dada exatamente por esse mesmo valor.
A (v.a.) do exemplo discreta. Quando uma (v.a.)
assume um nmero infinito (no enumervel) de valores, ela
considerada contnua. Como exemplo de (v.a.) contnua
podemos citar uma medio de comprimento ou de tempo.
Faculdade On-line UVB

58

Estatstica e Pesquisa - UVB

Variveis Aleatrias Discretas

Neste texto, P(X=x) denotar a probabilidade da varivel
aleatria X assumir o valor x. E, para uma v.a. discreta,
P(X=x) ser chamada, tambm, de funo de probabilidade.

Definio
Seja X uma V.A. discreta, e sejam x1, x2, x3, x4,... os
valores que ela pode assumir, dispostos em ordem crescente
de magnitude.
Seja f(xi) = P(X = xi) sua funo de probabilidade. Ento:
f(xi) > 0

f(xi) = 1

Nota: F(x) = P(X< x) denominada funo de distribuio

acumulada de probabilidade de X.
Definio: Uma tabela formada por todos os pares
{(xi,P(X=xi)} denominada distribuio de probabilidade de X.
Vamos construir uma distribuio de probabilidade: No
exemplo: Seja X o nmero de caras em trs lanamentos
de uma moeda equilibrada. Seja C (cara) e C (coroa).
O espao amostral ser descrito por oito resultados
possveis
S=
{C C C ,C C C ,C C C ,C C C ,C C C ,C C C ,C C C ,C C C }

Nenhuma cara: { C C C } P( X 0)

1
= 0,125 ou
8

12,5%

Exatamente uma cara :

{ C C C , C C C , C C C } P( X 1)

3
= 0,375 ou
8

37,5%

Exatamente duas caras: { C C C , C C C , C C C }

3
P( X 2) = 0,375 ou 37,5%
8

Faculdade On-line UVB

59

Estatstica e Pesquisa - UVB

1
Exatamente trs : { C C C } P( X 3) =0,125 ou
8

12,5%

Distribuio:
N.

0,125

0,375

0,375

0,125

Caras
(x)
P(X = x)

Esperana Matemtica
Os conceitos de medidas estatsticas, descritos nas
Aulas 4 e 5 para a as distribuies de freqncia, podem ser
estendidos para uma distribuio de probabilidade de uma
varivel aleatria. Isto significa que podemos definir mdia,
varincia e desvio padro para essas distribuies.
Chamamos de Esperana o valor esperado ou mdia
de uma v.a. discreta ao nmero E(X) = , tal que:
E(X) = xi. f(xi) , onde f(xi) = P(X= xi)
Podemos tambm determinar a varincia e o desvio
padro de uma varivel aleatria pela frmula:
Var(X) = 2 (( x ) 2 .P( X x)

Seja a distribuio de probabilidade de uma v.a. X descrita no

quadro abaixo:
X
0
1
2
3
P(X = x)

1/8

3/8

3/8

1/8

Vamos calcular a mdia ou esperana dessa distribuio.

Primeiro, multiplicaremos cada valor x que a v.a. X pode
assumir por sua respectiva probabilidade.
A soma de todos esses produtos ser a esperana de X:
Faculdade On-line UVB

60

Estatstica e Pesquisa - UVB

1
3
3
1 12
E ( X ) 0. 1. 2. 3.
1,5
8
8
8
8 8

Para o clculo da varincia, encontramos os desvios em

relao mdia, isto , a diferena entre cada valor de x e
a mdia. A seguir, elevamos essas diferenas ao quadrado
e multiplicamos esses valores pelas respectivas
probabilidades. A soma desses valores ser a Varincia:
1
8

3
8

3
8

1
8

2 (0 1,5) 2 . (1 1,5) 2 . (2 1,5) 2 . (3 1,5) 2 . 0,75

Distribuies Discretas de Probabilidade

Dadas as relaes que podem ser estabelecidas com as
distribuies contnuas de probabilidade, nesta Aula daremos
destaque Distribuio Binomial e Distribuio de
Poisson. De modo a favorecer a compreenso desses
assuntos, iniciaremos com:
Distribuio de Bernouilli
Consideremos uma nica tentativa em um experimento
aleatrio. Podemos ter sucesso ou fracasso nessa tentativa.
Se chamarmos de p a probabilidade de sucesso,
teremos a probabilidade de fracasso 1-p, que expressaremos
por q, isto , q = 1-p.
Seja X o nmero de sucessos em uma nica tentativa
do experimento. Assim, X assume os valores zero (fracasso) e
1 (sucesso):
P(X= 0) = q e P(X = 1) = p
Nessas condies, a varivel aleatria X tem distribuio
de Bernouilli, e sua funo de probabilidade dada por:
P(X= k) = pk.q1- k
Clculo da mdia e da varincia de X: E(X) = 0.q + 1.p = p
Var(X) = q. (0 - p)2+ p(1 - p) 2 =q.p2+p.q2 = pq. (p + q) = pq
Da: E(X) = p e Var(X) = pq

Faculdade On-line UVB

61

Estatstica e Pesquisa - UVB

Distribuio Binomial
Consideremos n tentativas independentes de um
mesmo experimento aleatrio. Na distribuio de Bernouilli,
cada tentativa tem apenas dois resultados: um sucesso com
probabilidade p e outro, fracasso, com probabilidade q.
Seja X o nmero de sucessos nas n tentativas
independentes.(No estamos interessados na ordem em que
ocorrem os sucessos).
A probabilidade de ocorrer k sucessos nas n repeties
independentes, quando no estamos interessados na ordem e
que eles ocorrem, dada por:
P(X=k) =

p
n
k

q n k q = 1-p

n
n!
Onde
o nmero binomial ou combinao
k k!.(n k )!
simples de n objetos tomados em grupamentos simples de k
objetos.

A varivel aleatria assim definida tem distribuio

binomial com parmetros (n.p).
Mdia: E(X) = n.p
Varincia Var(X)=n.p.q
Vejamos alguns exemplos.
1) Uma moeda equilibrada lanada cinco vezes. Seja Z o
nmero de caras aps os cinco lanamentos. Qual a
probabilidade de ocorrerem exatamente trs caras?
Soluo: Como a moeda lanada cinco vezes, n = 5. Sendo
ela equilibrada, a probabilidade de ocorrer cara em cada
lanamento p = 0,5, e a probabilidade de no ocorrer q =
0,5. O nmero de sucessos desejado k = 3. E
5
5!
P( X 3) .( 0,5)3 .( 0,5)5 3
.( 0,5)3 .( 0,5)2
3!. 2!
3

5.4.3.2.1
.( 0,5)5 10.( 0,5)5 10.0,03125 0,3125
(3.2.1).( 2.1)
ou 31,25%.

Faculdade On-line UVB

62

Estatstica e Pesquisa - UVB

2) Um teste de mltipla escolha composto por 10 questes

independentes uma das outras (n = 10). Cada questo tem
cinco opes de resposta, sendo que apenas uma correta (p
= 1/5 = 0,20 e q = 1 1/5 = 4/5 = 0,80). Qual a probabilidade
de um estudante que responde ao acaso acertar oito (k = 8)
questes?
10
Soluo: P( X 8) .(0,2) 8 .(0,8) 2 0,0000737
8
Distribuio de Poisson
Uma (v.a.) discreta X tem distribuio terica de Poisson
se a sua funo de probabilidade for dada por:
k . e
P(X=k) =
, k = 0,1,2,3,... e a mdia da
k!
distribuio.
A Distribuio de Poisson pode ser utilizada para
aproximar valores obtidos na distribuio binomial, quando
temos o que chamamos eventos raros, ou seja, quando o
nmero de repeties independentes n muito grande e a
probabilidade p tende a zero.
Nota: Spiegel afirma que, quando na distribuio
binomial n > 50 e n.p < 5, temos um evento raro e podemos
fazer = E(X)= n.p. Mas essa regra no fixa, pois Morettin
apresenta uma outra onde n > 30 e 0<p<0,1.
Essas regras no avaliam a preciso dos valores
calculados. Veja o exemplo abaixo.
A probabilidade de um empregado pontual chegar
atrasado ao trabalho em um dia de 1%. Se ele for observado
durante 50 dias, qual a probabilidade de ele chegar atrasado
em exatamente 10 dias?
O problema satisfaz as duas regras (Spiegel e Morettin).
n=50, p = 0,01 e np =0,5 e k = 10.
50
Binomial: P(X = 10) = (0,01)10 .(0,99) 40 6,87 x 10-11
10

(0,5)10 .e 0,5
Poisson: P(X = 10) =
= 1,63 x 10-10.
10!
Isto significa que a aproximao boa at a nona casa
decimal.
Faculdade On-line UVB

63

Estatstica e Pesquisa - UVB

Referncias
Farias, Alfredo Alves, Jos Francisco Soares e Cibele Comini
Csar. Introduo Estatstica 2 Ed. LTC 2003.
Kazmier, Leonard J. Estatstica Aplicada Economia e
Administrao. Editora Makron Books. 2004.
Morettin, Luiz Gonzaga. Estatstica Bsica, v.1. S. Paulo:
Makron Books, 2000.
Milone, Giuseppe. Estatstica Geral e Aplicada. So Paulo:
Pioneira Thomson Learning. 2003.
Spiegel, Murray Ralph. Probabilidade e Estatstica. So
Paulo: Pearson Education do Brasil. 2003.

Faculdade On-line UVB

64