INSTITUTO SUPERIOR MONITOR

Estatística II

Unidade I

Teoria de Probabilidades
Copyright
Este manual é propriedade do Instituto Superior Monitor (ISM), sendo que todos os direitos
para o seu uso, por estudantes e docentes, lhe estão reservados. É proibido fazer cópias ou
usar este material sem autorização prévia do ISM.

Instituto Superior Monitor

Avenida Guerra Popular No. 1148 1o Andar
Maputo
Moçambique

Tel. 21 300436 Cel. 82 3055795/84 7696894

Fax: +258 21 323432
E-mail: monitor.ism@gmail.com
Instituto Superior Monitor Website: www.monitor.co.mz
Maio de 2010
Índice
Introdução..........................................................................................................................4
Teoria de Probabilidades...................................................................................................5
Experiência aleatória................................................................................................5
Espaço Amostral......................................................................................................6
Acontecimentos e eventos aleatórios.......................................................................7
Variável aleatória.....................................................................................................7
Tipos de variáveis aleatórias..................................................................................10
Variáveis aleatórias discretas..........................................................................................11
Distribuições Discretas de Probabilidade..............................................................11
Função de distribuição de probabilidades..............................................................15
Esperança matemática de uma variável discreta....................................................18
Variância de uma variável aleatória discreta.........................................................20
Variável aleatória contínua..............................................................................................22
Função de densidade de probabilidade..................................................................22
Função de distribuição de uma variável aleatória contínua...................................25
Média de uma Variável Aleatória Contínua..........................................................26
Variância de variáveis aleatórias contínuas...........................................................27
Sumário da Unidade........................................................................................................29
Trabalho...........................................................................................................................30
Correcção do trabalho.....................................................................................................31
Avaliação de Estatística...................................................Erro! Marcador não definido.

3
4

Introdução

No caso de dúvidas sobre os conteúdos desta unidade, por favor contacte o

respectivo tutor. O número do tutor será disponibilizado pela sua Faculdade,
podendo também consultar os contactos e horários do tutor através do site:
https://www.ismonitor.ac.mz/ ou através da página facebook:
https://www.facebook.com/ismonitor/.

Uma vez que é um estudante universitário, as suas técnicas de aprendizagem

deverão ser distintas das que utilizava durante o ensino secundário, em regime
presencial. Nesta licenciatura, o aluno deverá assumir uma maior autonomia, isto
é, uma maior capacidade de gestão responsável do seu tempo.

Por este motivo, importa que construa um programa de estudos realista e que o
cumpra rigorosamente, seleccionando horários e locais tranquilos para estudar.

Faça uso dos diversos recursos referenciados nesta unidade e mobilize a sua
motivação profissional e/ou pessoal para adequar as suas actividades de estudo a
outras responsabilidades profissionais, sociais e pessoais. Partilhe as suas
aprendizagens com os outros.Usufrua das várias formas de apoio disponíveis, mas
fundamentalmente, procure controlar o seu ambiente de
aprendizagem.Recomenda-se que consulte o horário de atendimento do tutor e
que entre em contacto com o mesmo sempre que sinta alguma dificuldade.

Para melhor desenvolver os seus conhecimentos poderá consultar a bibliografia

recomendada, dirigindo-se à biblioteca do Instituto Superior Monitor, localizada
na Av. Samora Machel em Maputo, ou a outras bibliotecas em Moçambique,
acompanhado do seu cartão de estudante.

No final de cada unidade é providenciada uma lista de bibliografia e de

referências na internet que poderá consultar. A biblioteca virtual do ISM inclui
livros digitalizados, artigos, websites e outras referências importantes para esta e
outras disciplinas, que deverá utilizar na realização de casos práticos.

Para os estudantes que estão longe e que por conseguinte não conseguem vir as
instalações do ISM e de outras instalações físicas podem consultar a biblioteca
virtual pelo endereço http://www.ismonitor.ac.mz/ism/biblioteca-digital/.

O aluno pode ainda recorrer a outras bibliotecas virtuais, como por exemplo em:

www.saber.ac.mz

www.books.google.com
Bons Estudos!

Teoria de Probabilidades

Este tópico tem como objectivos:

 Distinguir entre uma distribuição de probabilidade discreta e contínua;
 Calcular a média, a variância e o desvio padrão de uma distribuição de
probabilidade discreta;
 Definir os termos da distribuição de probabilidade e variável aleatória.

Na última unidade da Estatística I, o caro estudante aprendeu, não só, os

principais conceitos e aplicações da teoria de probabilidades, como também
aprendeu a calcular probabilidades.

Nesta unidade, vamos aprender outros conceitos de probabilidade e outras formas

de cálculo de probabilidades, mas antes de continuar a leitura desta unidade,
recomendámos-lhe que leia os principais conceitos de probabilidade discutidos na
unidade IV de Estatística I e responda as seguintes questões:

1. Diga em poucas palavras o que entende por probabilidades e qual é a sua

aplicação.
2. O que é experiência e evento?
3. O que é espaço de resultados?
4. Considere a experiência aleatória do lançamento de um dado. a) Calcule a
probabilidade de sair a face 1. b) Calcule a probabilidade de sair um
número ímpar.
Para refrescar a sua memória, apresentam-se a seguir alguns exemplos, nos quais
a teoria de probabilidades é necessária.

Ao jogarmos uma moeda para o ar, de modo geral, não podemos afirmar se vai
dar cara ou coroa. Da mesma forma, quando lançamos um dado não sabemos qual
das faces 1, 2, 3, 4, 5, ou 6 ocorrerá. Há numerosos exemplos de tais situações no
campo dos negócios e do governo. A previsão da procura de um produto novo, o
cálculo dos custos de produção, a opinião pública sobre determinado assunto, a
contratação de um novo empregado – tudo isso contém algum elemento de acaso.

Independente de qual seja a aplicação em particular, a utilização das

probabilidades indica que existe um elemento de acaso, ou de incerteza, quanto à
ocorrência ou não de um evento futuro. Assim é que em muitos casos, pode ser
virtualmente impossível afirmar com antecipação o que ocorrerá; mas é possível
dizer o que pode ocorrer. O ponto central em todas essas situações é a
possibilidade de quantificar quão provável é determinado evento.

5
6

As probabilidades são utilizadas para exprimir a chance de ocorrência de

determinado evento. Em seguida, iremos aprender outros conceitos básicos da
Teoria de Probabilidade, começando com a definição de experiência aleatória.

Experiência aleatória

Vamos agora descrever o tipo de fenómeno que será examinado nesta disciplina.
Inicialmente, chamaremos de experimento (experiência) qualquer procedimento
que pode ser ensaiado repetidas vezes, de maneira que, a cada novo ensaio, as
condições de execução se mantenham inalteradas. Um experimento é aleatório se
seus resultados puderem variar a cada ensaio, mesmo que as condições sejam as
mesmas. Tais fenómenos precisam de um modelo matemático diferente para seu
estudo. São o que chamaremos de modelos não-determinísticos ou
probabilísticos.
Podemos tomar como exemplo uma situação em que deseja-se medir a quantidade
de chuva que cai em uma determinada localidade. Por mais que as observações
meteorológicas tornem possível prever a natureza da tempestade, não é possível
dizer exactamente quanta chuva irá cair. Um outro exemplo seria o de um
laboratório que deseja testar o tempo de reacção a certo medicamento e, para
tanto, ministra este medicamento em vários pacientes, sob as mesmas condições.
Não se pode prever o tempo que cada um dos pacientes levará para reagir ao
medicamento. Um terceiro exemplo que podemos tomar é o lançamento de um
dado não viciado, sempre sob as mesmas condições. Não é possível afirmar com
exactidão qual será a face observada a cada novo lançamento.
A partir destes exemplos, podemos perceber que, em fenómenos aleatórios, as
condições sob as quais um experimento é executado não determinam com
precisão o resultado que será obtido do experimento.

Em suma, experiência aleatória é aquela que quando repetida em iguais

condições, podem fornecer resultados diferentes, ou seja, são resultados
explicados pelo acaso. Quando se fala de tempo e possibilidades de ganho na
lotaria, a abordagem envolve cálculo de experiência aleatória. A figura abaixo
mostra um experimento aleatório de lançamento de um dado.

Lançamento de dados: um exemplo de experimento aleatório.

Espaço Amostral

O espaço amostral, geralmente denotado por S ou Ω, de um experimento ou

experiência aleatória é o conjunto de todos os resultados possíveis. Por exemplo,
se o experimento é lançar uma moeda e verificar a face voltada para cima, o
espaço amostral é o conjunto {cara, coroa}. Para o lançamento de um dado de
seis faces, o espaço amostral é {1, 2, 3, 4, 5, 6} e para o nascimento de um bebé,
o espaço amostral é {menina, rapaz}.
Por exemplo, considere-se a experiência "lançar um dado". A variável aleatória X
que traduz o resultado desta experiência pode tomar os valores 1,2,3,4,5 ou 6. O
conjunto Ω = {1, 2, 3, 4, 5, 6} é o espaço amostral e os subconjuntos de Ω
chamam-se eventos ou acontecimentos. Neste caso, a probabilidade de cada
evento elementar {1}, {2}, {3}, {4}, {5}, {6} é igual a 1/6. A probabilidade num
lançamento de um dado sair um número par é a probabilidade do evento {2,4,6},
que é P(X(ω)∈{2,4,6})=3/6=1/2.

Acontecimentos e eventos aleatórios

Sendo S um espaço amostral para um determinado experimento aleatório,

chamamos de evento, qualquer um dos subconjuntos de S, ou seja, um evento é
um conjunto de resultados possíveis. Um resultado individual do experimento
também pode ser considerado um evento. Denotaremos um evento por A.
exemplo:

Experiência aleatória: lançamento de um dado não-viciado: S ={1, 2, 3, 4, 5, 6}.

Evento 1: a ocorrência de um número ímpar: A ={1, 2, 3}. A é subconjunto de S.
Evento 2: a ocorrência de um número maior que 4: A ={5, 6}.

Vale ressaltar que um evento pode não referir-se somente a uma possibilidade
dentro do espaço amostral. Um evento pode reunir várias possibilidades dentro de
um mesmo espaço amostral. Se o espaço amostral for finito ou infinito
numerável, qualquer subconjunto deste pode ser tomado como evento. Quando
tratamos de espaços amostrais infinitos não-numeráveis, verificamos que nem
todo subconjunto deste pode ser considerado evento. No entanto, não trataremos
desses casos nesta unidade.

Variável aleatória

Uma variável aleatória pode ser considerada como o resultado numérico de

operar um mecanismo não determinístico ou de fazer uma experiência não
determinística para gerar resultados aleatórios.

Em outras palavras, uma variável aleatória é um valor numérico determinado pelo

resultado de uma experiência (é uma quantidade resultante de um experimento
aleatório que, por acaso, pode assumir diversos valores).

Intuitivamente, uma variável aleatória pode ser vista como uma medição de
algum parâmetro que pode gerar um valor diferente a cada medida.
Matematicamente, a variável aleatória é a função que associa um número real a
cada elemento do espaço amostral.

7
8

A variável aleatória é uma função formada por valores numéricos definidos sobre
o espaço amostral de um experimento. A cada resultado do experimento aleatório
corresponderá apenas um único valor numérico da VA. Entretanto, um valor
numérico da VA poderá corresponder a um ou mais resultados de um
experimento.

Suponha:
E (experiência aleatória) → jogar uma moeda três vezes
S (espaço amostral) = {(ccc), (kcc), (ckc), (cck), (kkk), (kkc), (kck), (ckk)}
A variável aleatória diz respeito à característica do experimento que queremos
estudar.
Suponha que:
Característica = número de caras nos 3 lançamentos da moeda.
Quais os valores assumidos pela variável aleatória?
X = 0 {(kkk)} (não sai nenhuma cara)
X=1 {(kkc)(kck)(ckk)} (sai uma cara)
X = 2 {(kcc)(ckc)(cck)} (saem duas caras)
X = 3 {(ccc)} (saem 3 caras)
Exemplo 1
Duas bolas são retiradas sucessivamente, sem reposição, de uma caixa que
contém 4 bolas vermelhas e 3 pretas. Seja X a variável aleatória “número de bolas
vermelhas retiradas no experimento” Quais os valores assumidos por “X”?

Solução:
São retiradas duas bolas da caixa. Essas bolas podem ser: a primeira vermelha e a
segunda também vermelha (VV); ou a primeira vermelha e a segunda preta (VP);
ou a primeira preta a segunda vermelha (PV); ou a primeira preta e a segunda
preta (PP). Então o espaço amostral (o conjunto dos resultados possíveis) é:

S = {VV, VP, PV, PP}

Então X = {2, 1, 1, 0} ou seja, X = 0, 1, 2

Outra forma de ilustrar a ideia de um espaço amostral, considere o exemplo
seguinte: Jogar 2 moedas em cima e observar a face de cima.
Seja (K = cara e C = coroa).
X: número de caras em 2 lances de moeda.

Note que X pode tomar os valores 0, 1 e 2, isto é, X = {0, 1, 2}. Ou seja, ao

lançarmos uma moeda 2 vezes, pode não sair nenhuma cara (X=0), pode sair uma
vez (X=1), ou podem sair duas caras (X=2), conforme ilustra o esquema a seguir:
 O resultado zero cara, ocorre somente 1 vez
 O resultado 1 cara, ocorre 2 vezes (CK e KC)
 O resultado 2 caras, ocorre somente 1 vez

Exemplo 2: Considere um experimento aleatório no qual uma moeda é jogada 3

vezes. Seja X o número de caras. Seja H o resultado cara e T o resultado coroa.

O espaço amostral para este experimento será: {TTT, TTH, THT, THH, HTT,
HTH, HHT, HHH}

Assim, os possíveis valores de X (número de caras) serão: X = {0, 1, 2, 3}.

Nota: Neste experimento, há 8 possíveis resultados no espaço amostral. Desde

que eles são todos igualmente prováveis de ocorrer, cada resultado tem uma
probabilidade de 1/8 de ocorrer.

A figura a seguir ilustra a associação existente entre resultados do experimento

(no espaço amostral) e os valores assumidos pela variável X.

9
10

Note
 O resultado zero caras, ocorre somente uma vez
 O resultado 1 cara, ocorre três vezes
 O resultado 2 caras, ocorre três vezes
 O resultado 3 caras, ocorre somente uma vez

Da definição de uma variável aleatória, X, tal como é definida neste experimento,

é uma variável aleatória. Seus valores são determinados pelos resultados do
experimento.

Nota: A variável aleatória X é uma associação de pontos no espaço amostral com

pontos na recta dos números reais (0,1, 2,3). Na realidade, uma variável aleatória
é definida através de uma função em que o domínio é o conjunto de todos os
resultados possíveis do experimento e a imagem é o conjunto de todos os valores
assumidos pela variável aleatória. Note que a variável aleatória não é resultado do
experimento, mas sim um valor associado a este.

Tipos de variáveis aleatórias

Existem variáveis aleatórias discretas e contínuas.

Discretas: O número de valores assumidos por X for finito (ou infinito),

formados apenas por números inteiros.

Continuas: O número de valores assumidos por X é formado pelos números de

pontos de um segmento de recta.

Note que a classificação das variáveis, estudada na primeira unidade de estatística

I, não difere da classificação das variáveis aleatórias. Para refrescar a sua
memória, pegue numa esferográfica e classifique as seguintes variáveis em
discretas ou contínuas:

a) Número de dias chuvosos em um mês;

b) Peso dos alunos desta sala;
 c) Precipitação diária medida no pluviómetro;
d) Número de disciplinas cursadas por aluno;
e) Número de alunos presentes na sala de aula;
f) Evaporação mensal de um açude;
g) Vazão em uma dada secção do rio;
h) Velocidade do vento;
i) Idade dos alunos de uma sala.

Exercícios de fixação

Para testar se assimilou os conceitos acima estudados, pegue num papel e caneta e
responda as seguintes questões antes de consultar as respectivas soluções.

Exemplo 3
Numa urna há 7 bolas brancas e 4 bolas verdes. Cinco bolas são extraídas dessa
urna. Defina a variável aleatória (v.a.) X = número de bolas verdes. Quais são os
possíveis valores de X se as extracções são feitas:
(a) Sem reposição;
(b) com reposição.

Solução:
(a) Como há apenas 4 bolas verdes, os valores de X são 0, 1, 2, 3, 4. Note que
temos bolas brancas em quantidade suficiente para que X = 0 (isto é, podemos
tirar todas brancas).
(b) Se as extracções são feitas com reposição, em cada extracção podemos tirar
bola branca.
Logo, os possíveis valores de X são 0, 1, 2, 3, 4, 5.

Exemplo 4
Repita o problema anterior, supondo que a urna tem 4 bolas de cada cor.

Solução:
(a) Nesse caso, temos que ter pelo menos uma bola de cada cor. Logo, os
possíveis valores de X são 1, 2, 3, 4.
(b) Como antes, os valores de X são 0, 1, 2, 3, 4, 5.

Variáveis Aleatórias Discretas

Como afirmamos acima, uma variável pode assumir duas classificações, discreta
ou contínua. A melhor forma de explicar um conceito é associarmos a algum
exemplo real.

Um pequeno dado de seis lados, muito comum em jogos de tabuleiros, ele é o

melhor exemplo para uma variável aleatória discreta finita. Pois, todas as vezes
em que lançarmos o dado, ele sempre nos dará um "valor" inteiro. Não existe a
possibilidade que ele caia de "lado" nos dando um valor surpreendente como

11
12

2,5555. O seu Espaço Amostral é {1,2,3,4,5,6} não havendo nenhum valor

intermediário.

Outro exemplo de variável aleatória discreta infinita, seria o número de carros que
passam numa avenida. Sabemos que passará uma infinidade de carros, no entanto,
nunca passará a metade de um carro, não haverá "fracções" no número de carros.
O resultado a princípio não é completamente conhecido, mas sempre descritível
com facilidade.

Distribuições Discretas de Probabilidade

Uma distribuição de probabilidade é uma lista de todos os resultados de um

experimento e suas probabilidades associadas. De forma mais rigorosa, é uma
função matemática em que o domínio são os valores possíveis de uma variável
aleatória e a imagem são as suas probabilidades associadas. Uma variável
aleatória discreta assume cada um dos seus valores com uma certa probabilidade.

Para assimilar a ideia da distribuição de probabilidade de uma variável aleatória

discreta preste atenção no exemplo a seguir:

Exemplo 5: Tomemos como espaço de resultados  as famílias com 2 filhos.

 tem um nº finito de elementos que podemos enumerar facilmente.
  MM, MR, RM, RR R  rapaz, M  rapariga

Pensemos na característica, nº de rapazes das famílias com 2 filhos. Podemos

tratar esta característica como uma função que a cada elemento de  atribui um
valor numérico. Assim, X(MM) =0, X(MR)=X(RM)=1 e X(RR)=2 e passamos a
trabalhar num subconjunto de |R que é a imagem de  através de X.

X (  ) ={0, 1, 2}

À função X: chamamos variável aleatória e designamos

abreviadamente por v.a.. Precisamos agora de saber calcular probabilidades
quando trabalhamos com esta função. Por exemplo, qual é a probabilidade da
família ter "pelo menos um rapaz" ou seja ? Antes de mais temos de
começar por atribuir probabilidades em  e só depois podemos responder a esta
pergunta.

Sabemos que P (Rapaz) =P (Rapariga) =0.5, então os 4 casos possíveis de  têm

igual probabilidade que é 1/4 para cada um, isto é, P (MM) =P (MR) =P (RM) =P
(RR) =. 25. Agora podemos calcular as seguintes probabilidades:

P(X=0) =P {MM} =0.25; P(X=1) =P {MR, RM} =0.5; P(X=2) =P {RR} =0.25

Esquematicamente

X 0 1 2

P(X) 0.25 0.5 0.25

E já podemos responder à pergunta feita anteriormente

P (X≥1) =P {X=1 ou X=2} =P (X=1) +P (X=2) =P ({MR, RM})+P({RR})=0.75=

=1- P( X<1)=1-P(X=0).

Note-se que P(X=0)+P(X=1)+P(X=2)=1.

Exemplo 6: Determine a distribuição de probabilidade da variável aleatória X:

”Número de caras em dois lances de uma moeda equilibrada”.

Solução: lembre que, no lançamento de uma moeda, o espaço amostral é dado

por: S={CC, CK, KC, KK} (sendo, C=coroa e K=Cara) e X pode tomar os
valores X ={0, 1, 2}. Para determinar a função de probabilidade de X, temos que
calcular as probabilidades:

P(X=0) = P(CC) = 0.5 x 0.5 = 0.25

P(CC) = probabilidade de sair coroa na primeira moeda e coroa na segunda

moeda, sabendo que a probabilidade de sair coroa numa moeda de 2 faces é
½=0.5, então

P(CC) = P(C)xP(C)=0.5*0.5=0.25.

P(X=1) = P(CK) + P(KC)=0.5 x 0.5 + 0.5 x 0.5 = 0.5

Note que neste caso, a cara pode sair na primeira moeda que lançamos ou na
segunda, isto é, CK ou KC, então é necessário calcular as probabilidades de CK e
de KC e somar.

P(CK) = probabilidade de sair coroa na primeira moeda e cora na segunda moeda,

sabendo que a probabilidade de sair coroa numa moeda de 2 faces é ½=0.5, então
P(CK) = P(C)xP(K)=0.5 x 0.5=0.25.

P(KC) = probabilidade de sair cora na primeira moeda e coroa na segunda moeda,

sabendo que a probabilidade de sair cora numa moeda de 2 faces é ½=0.5, então

P(KC) = P(K)xP(C)=0.5*0.5=0.25.

Portanto, P (X=1) = P(CK) + P(KC)=0.5 x 0.5 + 0.5 x 0.5 = 0.5

P(X=2) = P(KK) = 0.5 x 0.5= 0.25

P(KK) = probabilidade de sair cora na primeira moeda e cora na segunda moeda,

sabendo que a probabilidade de sair cora numa moeda de 2 faces é ½=0.5, então

P(KK) = P(K)xP(K) = 0.5*0.5= 0.25.

Calculadas as probabilidades de cada um dos valores de X, constrói-se a tabela

abaixo que pode estar na forma vertical ou horizontal

13
14

x f(x)

0 0,25

1 0,50

2 0,25

Total 1,00

Note que , isto é o somatório das probabilidades de X=1, X=2 e X=

3, é igual a 1, com efeito, 0.25 +0.5+0.25 =1; e qualquer probabilidade é maior ou
igual a zero e menor ou igual a um.
Agora calcule a distribuição de probabilidades na experiencia aleatória: Jogar 3
moedas e observar o resultado.
Solução
S:{(ccc)(cck)(ckc)(kcc)(kkk)(kkc)(kck)(ckk)}
X= número de caras (c)

Note que os valores de X esgotam todas as possibilidades, sendo que ∑P(X = x) =

1.
Frequentemente é conveniente representar todas as possibilidades da v.a. X por
uma fórmula. Tal fórmula será necessariamente função dos valores de X que
denotamos por f(x), g(x), h(x) etc.

Assim, escrevemos que f(x) = P(X = x), ou seja, f(3) = P(x = 3). O conjunto dos
pontos ordenados (x, f(x)) é chamado de Função Probabilidade, Função Massa de
Probabilidade ou Distribuição de Probabilidade da variável aleatória
discreta X.
Propriedades:

Considere o seguinte exemplo: Suponha um casal que planeja ter 3 crianças. Eles
estão interessados em saber o número de meninas que poderiam ter. Este é um
exemplo de uma variável aleatória, que representa o evento:

X = {número de meninas}

Os possíveis valores de X são X={0,1,2,3}, onde x=0, x=1, x=2 e x=3. A

probabilidade de X é chamada P(X) e a de x é p(x). No entanto, estas
possibilidades não são igualmente prováveis. Segundo uma pesquisa
americana, que diz que há 52% de probabilidade de nascer menino e 48% de
probabilidade de nascer menina, para cada nascimento. Considere a Figura
abaixo, que representa a árvore de probabilidade para uma família de 3
crianças. Verifica-se a possibilidade de 8 combinações diferentes, que consiste
no chamado espaço amostral.

As probabilidades da árvore foram obtidas da seguinte forma:

P(HMH)=0.52*0.48*0.52=0.13. A variável aleatória X pode tomar 4 valores

diferentes, X={0,1,2,3}, cada um deles representando 0, 1, 2 e 3 meninas,
resultando nas probabilidades iguais a 0.14, 0.39, 0.36 e 0.11, respectivamente,
como mostrado na tabela abaixo.

X p(x)

0 0.14

1 0.13+0.13+0.13=0.39

2 0.12+0.12+0.12=0.36

3 0.11

A representação gráfica dessa distribuição é dada na figura abaixo.

15
16

Exemplo 7: Um par de dados é lançado. Seja X a variável aleatória que associa a

cada ponto (a,b) de S e a soma desses números, isto é, X(a,b) = a + b. Determine a
função de probabilidade de X.

O espaço amostral S é formado de 36 pares ordenados de números entre 1 e 6:

S= {(1,1), (1,2),.....,(6,6)}. Então, X é uma variável aleatória em S com o
contradomínio Rx ={2,3,4,5,6,7,8,9,10,11,12}.
Para facilitar a solução desse problema, vamos construir uma tabela de duas
entradas, onde cada dimensão representa o resultado de um dado e em cada célula
temos a soma das duas faces.

A função de probabilidade de X é a seguinte:

Obtemos, por exemplo, p(X=4) = 3/36, pois (1,3), (2,2) e (3,1) e são os pontos de
A cuja soma das componentes é 4. Então P(X = 4) = P({(1,3),(2,2),(3,1)}) =3/36

Função de Distribuição de Probabilidades

A função distribuição acumulada (fda) descreve completamente a distribuição
da probabilidade de uma variável aleatória de valor real X. Para cada número real
x, a fda é dada por:

Onde o lado direito representa a probabilidade de que a variável X tome um valor

inferior ou igual a x. A probabilidade de que X se situe num intervalo (a, b]
(aberto em a e fechado em b) é F(b) − F(a) se a ≤ b. É convenção usar um F
maiúsculo para a fda, em contraste o f minúsculo é usado para a função da
probabilidade.
Note-se que na definição acima, o sinal "menor ou igual", '≤' poderia ser
substituído por "menor" '<'. Isto produziria uma função diferente mas qualquer
uma das funções pode ser facilmente deduzida a partir da outra. Também se
poderia mudar para um sinal maior e deduzir as propriedades desta nova função.
A única coisa a lembrar é ajustar a definição ao sinal pretendido.

Propriedades
1. F (-∞) = P(X ≤ -∞) = 0
2. F(+∞) = P(X ≤ +∞) = 1
3. P(a< X ≤b) =F(b)- F(a)

F(b) = P(x ≤ b)
F(a) = P(x ≤ a)
4. P(a ≤ x ≤b) = F(b) – F(a) + P(x = a)

5. P(a ≤ x < b) = F(b) – F(a) + P(x = a) – P(x = b)

6. P(a < x < b) = F(b) – F(a) – P(x = b)

Exemplo 8:
Experiência (E): Lançamento de 2 moedas

Espaço amostral: S = { (cc) (ck) (kc) (kk) }

X = n° de caras obtidas

17
18

a) Calcule a função de probabilidade.

b) Calcule a probabilidade de sair pelo menos uma cara.
c) Calcule a função de distribuição da variável X.
d) Construa os gráficos das funções acima.
Solução:
a) Função de Probabilidade
O caro estudante já aprendeu que para determinar a função de probabilidade de X,
é preciso calcular as probabilidades dos valores possíveis de X, isto é, P(X=0),
P(X=1) e P(X=2). E vimos anteriormente que essas probabilidades são 1/4, 2/4,
1/4, respectivamente. Portanto, a função de probabilidade de X, é representada a
seguir:

b) A probabilidade de sair pelo menos uma cara é dada por:

p(x ≥ 1)= p(x=1) + p(x=2) = 2/4 + 1/4 =3/4
c) Função de distribuição
Para determinar a função de distribuição é preciso calcular F(0), F(1) e F(2). Com
efeito,
F(0) = P(X ≤ 0) = 1/4
F(1) = P(X ≤ 1) = P(0) + P(1) = 1/4 + 2/4 =3/4
F(2) = P(X ≤ 2) = P(0) + P(1) + P(2) = 1/4 +2/4 +1/4 =1

Atenção!
A função de distribuição é definida não apenas para os valores assumidos pela
variável aleatória X, mas para todos os números reais.
Ou seja:
F(x) = 0 se x < 0
F(x) = 1/4 se 0 ≤ x < 1
F(x) =3/4 se 1 ≤ x < 2
F(x) = 1 se x ≥ 2

E representa-se da seguinte forma:

d) Gráficos das funções.

Função de probabilidade: Construído de forma que o ponto central é “x” e a altura
é f(x)
Função de distribuição

Exemplo 9. Seja X: "número de caras obtidas nos três lançamentos". Vamos

encontrar a função distribuição acumulada de X:

Os valores que X pode assumir são: 0,1,2 e 3.

Assim temos que a função de distribuição acumulada de X é dada por

19
20

Esperança Matemática de uma Variável Discreta

Em estatística a esperança matemática (também chamada esperança, valor
esperado, média populacional ou média) de uma variável aleatória X, é o número
que formaliza a ideia de valor médio de um fenómeno aleatório.

Quando a variável aleatória é discreta, a esperança tanto faz à soma da

probabilidade da cada possível acontecimento aleatório multiplicado pelo valor de
dito acontecimento. Portanto, representa a quantidade média que se "espera"
como resultado de um experimento aleatório quando a probabilidade de cada
acontecimento se mantém constante e o experimento se repete num elevado
número de vezes, isto é, para uma variável aleatória discreta com valores
possíveis , e suas probabilidades representadas pela função de
probabilidade p(xi) a esperança calcula-se como:

Exemplo 10. Dada a seguinte função de probabilidade de uma variável aleatória

discreta X:
X P(X = x)

1 0,10

2 0,15

3 0,25

4 0,25

5 0,15

6 0,10

Calcular o valor esperado de X.

Solução

Note que o valor que toma a esperança matemática em alguns casos pode não ser
"esperado" no sentido mais geral da palavra - o valor da esperança pode ser
improvável ou inclusive impossível.
Exemplo 11. Em determinado sector de uma loja o número de produtos vendidos
em um dia pelos funcionários é uma variável aleatória P com a seguinte
distribuição de probabilidades (esses números foram obtidos dos resultados de
vários anos de estudo):

Número de 0 1 2 3 4 5 6
produtos
Probabilidade 0.1 0.4 0.2 0.1 0.1 0.05 0.05
de venda
Cada vendedor recebe comissões de venda, distribuídas da seguinte forma: se ele
vende até 2 produtos em um dia, ele ganha uma comissão de $10,00 por produto
vendido. A partir da terceira venda, a comissão passa para $50,00. Qual é o
número médio de produtos vendidos por cada vendedor e qual a comissão média
de cada um deles?

Solução:
O número médio de vendas por funcionário é
E(P) = 0 × 0,1 + 1 × 0,4 + 2 × 0,2 + 3 × 0,1 + 4 × 0,1 + 5 × 0, 05 + 6 × 0, 05 =
2,05
Com relação à comissão, vamos construir sua fdp:

Número de 0 1 2 3 4 5 6
produtos
Comissão 0 10 20 70 120 170 220
Probabilidade 0.1 0.4 0.2 0.1 0.1 0.05 0.05
de venda

E(C) = 0 × 0,1 + 10 × 0,4 + 20 × 0,2 + 70 × 0, 1 + 120 × 0, 1 + 170 × 0, 05 + 220

× 0, 05 = 46, 5

Ou seja, a comissão média por dia de cada vendedor é $ 46,50.

Variância de uma Variável Aleatória Discreta

Se a variável aleatório X tem esperança matemática μ = E(X), define-se a
variância Var(X) (também representada como ou, simplesmente σ2) de X como

Desenvolvendo a definição anterior, obtém-se

Sendo que
Para o exemplo anterior, temos

21
22

Portanto,

Exemplo 12: Uma empresa especializa-se no aluguel de carros para famílias que
necessitam de um carro adicional para um período curto de tempo. O presidente
da empresa tem estudado seus registos para as últimas 20 semanas e apresentou as
seguintes função de probabilidade da variável aleatória: número de caros
vendidos por semana.

Número de carros Probabilidade

alugados P(X)

10 0,25

11 0,30

12 0,35

13 0,10

Total 1,00
a) Calcule o número médio de carros alugados por semana.
Resposta:

b) Calcule a variância do número de carros alugados por semana.

Resposta:

O desvio

padrão é dado por:

Note que podemos chegar ao mesmo resultado usando a fórmula

. Confirme o resultado calculando E (x2)
Exemplo 13: Um lojista mantém extensos registos das vendas diárias de um certo
aparelho. O quadro a seguir dá a distribuição de probabilidades do número de
aparelhos vendidos em uma semana. Se o lucro é de $500,00 por unidade
vendida, qual é o lucro esperado em uma semana? Qual é o desvio padrão do
lucro?

Solução:
Seja X: o número de aparelhos vendidos em uma semana e seja L o lucro
semanal. Então, L = 500X.
E (X) = 0 × 0,1 + 1 × 0,1 + 2 × 0,2 + 3 × 0,3 + 4 × 0,2 + 5 × 0,1 = 2, 7
E (X2)= 02 × 0,1 + 12 × 0,1 + 22 × 0,2 + 32 × 0,3 + 42 × 0,2 + 52 × 0,1 = 10, 2

Var (X) = 10, 2 − (2, 7)2 = 2, 91

Desvio padrão de X = 1, 706

Em relação ao lucro semanal, temos que E (L) = 500 E (X) = $1350, 00

Desvio padrão P (L) = $852, 94.

23
24

Variável Aleatória Contínua

O nosso objectivo continua a ser o estudo de fenómenos (experiências) aleatórios

e medidas associadas a esses fenómenos, que representamos por variáveis
aleatórias (v.a.’s). Estudámos no capítulo anterior as variáveis aleatórias discretas
que assumiam apenas um número finito (ou infinito numerável) de valores. No
entanto, há algumas medidas físicas em que se torna razoável tomar para valores
das v.a.’s intervalos de valores reais (infinitos ou finitos). Por exemplo, sejam
a) A corrente eléctrica que passa num fio de cobre;
b) O tempo de vida de uma lâmpada.
c) Peso de um estudante
d) Comprimento de um carro

Para estes exemplos, o número de valores possíveis das v.a.’s em estudo, digamos
que não é “contável”, ou muito dificilmente são caracterizadas por um número
finito de valores. Nestes casos, é razoável considerar que as v.a.’s associadas
tomam um número indeterminado de valores.

Função de Densidade de Probabilidade

Lembre-se que uma variável aleatória contínua é uma variável que pode assumir
um número infinitamente grande de valores (com certas limitações práticas).
Deste modo, para este tipo de variáveis, que podem tomar todos os valores num
determinado intervalo de valores reais, vamos ter de considerar distribuições de
probabilidades diferentes das dadas nas v.a.’s discretas. Mais concretamente,
iremos descrever a probabilidade de uma v.a. X que assume um valor no intervalo
[a, b] através de uma função f, convenientemente escolhida, como sendo a área
limitada pelo eixo [a, b] e pelo gráfico da função f (figura em baixo).

P(a<X<b)

a b
Probabilidade como área sob a curva entre dois pontos

Diferentemente de uma variável aleatória discreta, para uma variável aleatória

contínua não podemos definir uma função de distribuição de probabilidade
(f.d.p.). No entanto, podemos definir o que se chama de uma função densidade
de probabilidade para as variáveis aleatórias contínuas.

A diferença entre as distribuições contínuas e discretas é que as distribuições

discretas envolvem somas sobre uma função de probabilidade descontínua
enquanto a probabilidade para variáveis aleatórias contínuas envolve integração
sobre funções contínuas denominadas FUNÇÃO DENSIDADE DE
PROBABILIDADE, ou (FDPs). Convencionalmente, a FDP para uma variável
aleatória X é denominada f(x).

Para a variável aleatória contínua X que assume valores do conjunto dos números
reais há uma função matemática f(x) com as seguintes premissas:
 A função densidade de probabilidade f(x) é sempre positiva, para todo x
pertencente a X: f(x)>0
 A área sob a função f(x) entre os limites menos infinito e mais infinito da
variável aleatória contínua X é igual a um ou 100%:
 A probabilidade da variável aleatória contínua X dentro do intervalo (a, b)
com ambos limites incluídos é medida pela área definida pela função f(x)
entre os limites a e b:

Um ponto f(x) da função densidade não é a probabilidade do valor x da variável

aleatória X, pois, por exemplo, o ponto f(x=a) da função densidade é zero.

Como deve-se representar os limites do cálculo da probabilidade de uma variável

aleatória contínua dentro do intervalo (a, b), P(a£X£b) ou P(a<X<b)? As duas
representações podem ser utilizadas, incluindo a representação com limites
mistos, por exemplo: P(a£X<b) ou P(a<X£b)! Conclusão: P(a≤X≤b)=
P(a<X≤b)= P(a≤X<b)= P(a<X<b).

Toda função que satisfizer essas propriedades, chamaremos de função densidade

de probabilidade. Essa função é apenas um instrumento matemático para que
possamos calcular probabilidades para variáveis aleatórias contínuas (assim como
utilizamos a função distribuição de probabilidade para as variáveis aleatórias
discretas).

Dessa forma, podemos calcular a probabilidade para qualquer intervalo sendo esta
probabilidade o valor da integral definida da função densidade de probabilidade
sendo que os limites de integração são as extremidades do intervalo. De uma
forma geral, podemos dizer que se f(X) é a função densidade de probabilidade de
uma variável aleatória contínua, então:

Lembre que o símbolo , significa integral de x em função a x. O caro

estudante aprendeu, certamente, a calcular integrais na disciplina de matemática.
O que deve fazer nesta fase é recordar-se de algumas regras de integração
calculando os seguintes integrais:

25
26

a) ; b) ; c) e) f)

Exemplo 14: seja X uma variável aleatória contínua com a seguinte função:

a) Mostre que f(x), é uma função de densidade

b) Calcule a probabilidade p(1/4 <x <3/4)

Solução: para mostrar que f(x) é uma função de densidade, temos que mostrar
que f(x) cumpre as seguintes propriedades:
 A função densidade de probabilidade f(x) é sempre positiva, para todo x
pertencente a X: f(x)>0
 A área sob a função f(x) entre os limites menos infinito e mais infinito da
variável aleatória contínua X é igual a um ou 100%:

A primeira propriedade cumpre-se porque qualquer valor da função no intervalo

(0,1) é positivo. Isto é, f(x)>0 (0, 1)

Para verificar se f(x) cumpre com a segunda propriedade, temos que demonstrar
que . Mas como a função está definida no intervalo (0, 1), temos

que mostrar que . Com efeito,

Portanto, f(x) é uma função de densidade.

b)

Exemplo 15: dada a função de densidade:

a) Determine a constante c tal que a função f(x) seja uma função de densidade.

b) Calcule

Resolução
a) Como a f(x) satisfaz a propriedade 1 se , ela precisa também de
satisfazer a propriedade 2 para ser uma função densidade. Então
 e como esta integral deve ser igual a

1, temos

Exemplo 16:

Se a função densidade de probabilidade da variável aleatória contínua é dada por

a) Qual é o valor de c ?

b)

Resolução:

a)

b)

Função de Distribuição de uma Variável Aleatória Contínua

A função probabilidade acumulada de uma variável aleatória X associa a cada
valor possível de X a probabilidade deste valor ser menor ou igual a x. A função
de distribuição de uma variável aleatória contínua é denotada por F(x).

Exemplo 18. Seja X uma variável aleatória contínua (v.a.c.) com a seguinte f.d.p.:

Encontre a F(x) (função de distribuição acumulada)

Solução:

27
28

Você tem que integrar f(x) de menos infinito até mais infinito

Mas como o importante está entre 0 e 2 basta integrar nesse intervalo.

A resposta fica assim

Fica assim pois para x <0, f(x) = 0 por tanto F(x)=0 e para x > 2, F(x) =1, pois
toda as probabilidades já estão concentrada nos intervalo [0, 2]

Média de uma Variável Aleatória Contínua

Seja X uma variável aleatória contínua com função densidade de probabilidade f
(x), definimos o valor esperado, esperança matemática ou média de X por

desde que a integral esteja bem definida.

Observação: 1) Se a variável é limitada, o cálculo é feito sem ambiguidade e a
existência do valor esperado está assegurada. No caso não limitado, podem
aparecer situações indefinidas do tipo , em que diremos que a esperança
não existe. Assim, temos que E(X) vai estar bem definida se a integral, em pelo
menos um desses intervalos, for finita; isto é

2) A interpretação de E(X) para o caso contínuo é similar ao mencionado para

variáveis aleatórias discretas.

Exemplo 19. Seja X o tempo (em minutos) durante o qual um equipamento

eléctrico é utilizado em carga máxima, em um certo período de tempo
especificado. Então, X é uma variável aleatória contínua e sua fdp é dada por
Calcular a esperança de X.

Variância de Variáveis Aleatórias Contínuas

Suponhamos que, para uma variável aleatória X, verificamos que E(X) = 2. Qual é
o significado disso? Como vimos acima, significa que se considerarmos um
grande número de determinações de X, digamos x1, ... , xn, ao calcularmos a
média desses valores de X ela estará próxima de 2, se n for grande.

Suponhamos, por exemplo, que X representa a duração de vida de lâmpadas que

estão sendo recebidas de um fabricante, e que E(X) = 1000 horas. Isto pode
significar que a maioria das lâmpadas deve durar um período de tempo
compreendido entre 900 horas e 1100 horas. Poderia significar também que as
lâmpadas são formadas por dois tipos muito diferentes: cerca da metade são de
boa qualidade e durarão aproximadamente 1400 horas, enquanto que a outra
metade são de má qualidade e durarão aproximadamente 600 horas.

Assim, existe uma necessidade óbvia de se introduzir uma medida que possa
distinguir entre essas duas situações.

Seja X uma variável aleatória, definimos a variância de X, denotada por Var(X)

ou σ2 por

A raiz quadrada positiva de Var(X) é denominada por desvio-padrão de X,

denotado por σ.

Observação: O número Var(X) é expresso por unidades quadradas de X, isto é, se

X for medido em horas, então Var(X) é expressa em (horas)2.

O cálculo de Var(X) pode ser simplificado com o auxílio do seguinte resultado:

Exemplo 20: Suponhamos que X seja uma variável aleatória contínua com fdp

Calcule Var(X).

Temos que

29
30

Portanto, temos que

Exemplo 21: Dada a função

a) Calcular a E(X)
b) Calcular
Resolução
a)

b) Para calcular primeiro vamos calcular =

Logo

E o desvio padrão será:

Sumário da Unidade
Nesta unidade, você aprendeu a identificar e calcular as probabilidades utilizando
o conceito das variáveis aleatórias e determinar as grandezas estatísticas
associadas tais como o valor esperado, variância e interpretar os resultados com
vista a sua aplicação no mundo realístico;

Resumindo os principais conceitos, podemos dizer que uma variável aleatória é

uma variável (usualmente representada por X) que toma um certo valor numérico,
determinado pelo acaso, de cada vez que a experiência é realizada. A variável
aleatória associa números aos acontecimentos do espaço dos resultados possíveis.
Dependendo dos valores numéricos, as variáveis aleatórias podem ser discretas ou
contínuas. Uma variável aleatória discreta toma um número finito ou infinito
numerável de valores enquanto que uma variável aleatória contínua toma um
número infinito não numerável de valores, os quais podem ser associados com
medidas numa escala contínua.

Uma distribuição de probabilidade permite calcular a probabilidade

correspondente a cada valor ou conjunto de valores da variável aleatória.

Existem duas funções associadas a cada variável contínua X: a função

probabilidade, simbolizada por f(x), e a função cumulativa de probabilidade, ou
função de distribuição de probabilidade, representada por F(X).

31
32

Trabalho

1. Seja X a variável aleatória: número de rapazes das famílias com 2 filhos.

Calcule f(x), F(x), E(X) e Var(X).

2. A tabela abaixo fornece a probabilidade de um sistema de computação

ficar fora de operação num dado número de períodos por dia durante a
fase inicial de instalação do sistema

Calcular: a) p(X>5) b) F(X) c) E(X) d) Var (X)

3. Em uma caixa, têm-se cinco peças boas e quatro defeituosas. São retiradas
aleatoriamente três peças, sem reposição. Faça X a variável aleatória:
número de peças boas dentre as três peças retiradas. Construa a tabela de
distribuição de probabilidade correspondente à variável aleatória.

4. Em uma determinada localidade a distribuição de renda, em unidades

monetária é uma variável aleatória com função de densidade de
probabilidade:

a) Determine o valor de c para que f(x) seja fdp.

b) Calcule a probabilidade de encontrar uma pessoa com renda acima de
1 unidade monetária.
c) Escreva a função de distribuição de probabilidades.
d) Qual é a renda média nesta localidade?
Correcção do trabalho

1. Seja X número de rapazes das famílias com 2 filhos

a) Vimos anteriormente que a função de probabilidades de x é dada por

X 0 1 2

f(X) 0.25 0.5 0.25

b) Esperança matemática

EX   0  0.25  1 0.5  2  0.25  1

c) Variância

 2   2  02  0.25  12  0.5  22  0.25  12  0.5

  E X

e) Função de distribuição
 0 x0
0.25 0  x  1
Fx   0.75 1  x  2
 1 x2

2.

a) P(X>5) = P(X=6) + P(X=7) = 0.34 + 0.47 = 0.81

b)

c)
2 2 2
d) V(X) = E(X )-[E(X)] = 16x0.06 + 25x0.13 + 36x0.34 + 49x0.47 – 6.22 =
0.7916

3. Seja X: número de peças defeituosas em três peças retiradas

(Para resolver este exercício, o estudante tem que lembrar da análise

combinatória, estudada na unidade IV de Estatística I).

Seja D = Defeituosa ND = Não Defeituosa

S ={0D 3ND; 1D 2ND; 2D 1ND; 3D 0ND}

0D 3ND significa que nas 3 peças retiradas, 0 são defeituosas e 3 não defeituosas

33
34

1D 2ND significa que nas 3 peças retiradas, 1 é defeituosa e 2 não são

defeituosas

2D 1ND significa que nas 3 peças retiradas, 2 são defeituosas e 1 não é

defeituosa

3D 0ND significa que nas 3 peças retiradas, 3 são defeituosas e 0 não são
defeituosas

Portanto X = {0, 1, 2 , 3}

Agora é preciso achar P(X=0), P(X=1), P(X=2) e P(X=3)

, , e

(Lembre-se que significa combinação de 5 elementos tomados 2 a 2).

Achados os valores, obtemos:

X 0 1 2 3

P(X)

4.

a) Para que f(x) seja fdp, deve cumprir com a seguinte condição

Logo c=1/2

b)

c)

Logo,

d)