VARIÁVEIS ALEATÓRIAS

DISTRIBUIÇÃO BINOMIAL

1
Variável aleatória
Experimento aleatório: jogar 1 dado duas vezes e observar o resultado
(P = par e I= impar)

X = número de vezes que saiu um número

par nos 2 lançamentos do dado

PP 𝑋 = 0  { II }
PI 𝑋 = 1  { IP , PI }
IP 𝑋 = 2  { PP }
II

W
0 1 2

Genericamente, uma variável aleatória é uma função 𝑋 que associa cada

elemento 𝝎 do espaço amostral 𝛀 a um número real.
2
Variável aleatória
Uma variável aleatória (v.a.) pode ser classificada como:

• Variável aleatória discreta

Uma variável aleatória é discreta quando o conjunto de valores

possíveis de ela assumir for finito ou infinito enumerável.

• Variável aleatória contínua

Uma variável aleatória é contínua quando o conjunto de valores

possíveis de ela assumir for não enumerável.

3
 Exemplos
1) Observa-se o gênero das crianças em uma família com três filhos escolhida
ao acaso dentre uma população de tais famílias.

Espaço amostral (M: masculino e F: feminino):

W = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
𝜔1 𝜔2 𝜔3 𝜔4 𝜔5 𝜔6 𝜔7 𝜔8

Defina X = número de crianças do gênero masculino na família sorteada.

𝛀 MMM MMF MFM FMM MFF FMF FFM FFF

𝑋 3 2 2 2 1 1 1 0

Então 𝑋 assume valores no conjunto {0, 1, 2, 3}; logo, é uma variável

aleatória discreta.

4
Exemplos
2) No mesmo experimento...

Espaço amostral (M: masculino e F: feminino):

W = {(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)}
𝜔1 𝜔2 𝜔3 𝜔4 𝜔5 𝜔6 𝜔7 𝜔8

... podemos definir uma outra variável aleatória

Y: número de crianças do gênero feminino (F)

𝛀 MMM MMF MFM FMM MFF FMF FFM FFF

𝑋 0 1 1 1 2 2 2 3

Então Y também assume valores no conjunto {0, 1, 2, 3}, porém

associados a outros elementos de W, em comparação com X.
Também se trata de uma variável aleatória discreta.
5
Exemplos
3) Observar ao acaso o tempo de vida, em horas, de uma
lâmpada produzida por uma fábrica.

Defina T: tempo de vida, em horas, da lâmpada.

Então, T é uma variável aleatória contínua, que assume qualquer valor real
não negativo.

O conjunto de valores possíveis de T é o intervalo numérico [0,∞).

6
Variável aleatória discreta
Caracterização
Função (ou distribuição) de probabilidade:
É a função que atribui a cada valor xi da v. a. discreta X a sua probabilidade
de ocorrência.
Pode ser representada pela seguinte tabela:

𝑥 𝑥1 𝑥2 ... 𝑥𝑛
𝑃(𝑋 = 𝑥) 𝑃(𝑋 = 𝑥1) 𝑃(𝑋 = 𝑥2) … 𝑃(𝑋 = 𝑥𝑛)

Uma função de probabilidade deve satisfazer:

n
0  P ( X  xi )  1 e  P( X  xi )  1
i= 1
7
Exemplos
Um Departamento de Estatística é formado por 35 professores, sendo
21 homens e 14 mulheres. Uma comissão de 3 professores será
constituída sorteando-se, ao acaso, três membros do departamento.

Qual é a probabilidade de a comissão ser formada por pelo menos duas

mulheres?

Vamos definir a v.a.

X: número de mulheres na comissão.

Quais são os possíveis valores que X pode assumir?

8
 Espaço amostral Probabilidade X
(HHH) 21  20  19  0,203 0
35 34 33
(HHM) 21  20  14  0,150 1
35 34 33
(HMH) 21  14  20  0,150 1
35 34 33
(MHH) 14  21  20  0,150 1
35 34 33
(HMM) 21  14  13  0,097 2
35 34 33
(MHM) 14  21  13  0,097 2
35 34 33
(MMH) 14  13  21  0,097 2
35 34 33
(MMM) 14  13  12  0,056 3
35 34 33

x 0 1 2 3
P(X = x) 0,203 0,450 0,291 0,056

Assim, 𝑃(𝑋 ≥ 2) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 0,291 + 0,056 = 0,347.

9
Um dado é lançado duas vezes, de forma independente. Qual é a probabilidade
de a soma das faces nos dois lançamentos ser menor do que 6?

W = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),

(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.

Qual é a probabilidade de cada ponto 𝜔𝑖 de Ω?

Admitindo-se que o dado seja equilibrado e sendo os lançamentos

independentes,

𝑃(𝜔𝑖 ) = 1/36 , para qualquer 𝜔𝑖 ∈ Ω.

10
Defina X : soma das faces nos dois lançamentos do dado.


Função de probabilidade de X:

𝑥 2 3 4 5 6 7 8 9 10 11 12
𝑃(𝑋 = 𝑥) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Então,

𝑃 𝑋<6 = 𝑃 𝑋=5 + 𝑃 𝑋=4 + 𝑃 𝑋=3 + 𝑃 𝑋=2

4 3 2 1
= + + +
36 36 36 36
10
= = 0,278
36

11
Podemos considerar outras variáveis aleatórias definidas no mesmo espaço
amostral.

Y: valor máximo obtido entre os dois lançamentos


y 1 2 3 4 5 6
P(Y = y) 1/36 3/36 5/36 7/36 9/36 11/36

Z: diferença entre as faces do 2º. e do 1º. lançamento

z -5 -4 -3 -2 -1 0 1 2 3 4 5
P(Z = z) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

13
Valor esperado e variância
Qual é o valor médio da soma das faces (X) no lançamento de dois dados?
W = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6), 36 pontos amostrais
x P(X = x) (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), igualmente prováveis
2 1/36=0,028 (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
3 2/36=0,056
4 3/36=0,083
5 4/36=0,111
6 5/36=0,139
7 6/36=0,167
8 5/36=0,139
9 4/36=0,111
10 3/36=0,083
11 2/36=0,056
14
12 1/36=0,028
Valor esperado e variância
Valor Esperado (“média”): Dada uma v.a. X, assumindo os valores
𝑥1, 𝑥2, … , 𝑥𝑛, chamamos de valor médio, ou valor esperado, ou esperança
matemática da distribuição de X o valor
n
E ( X )  x1 P ( X  x1 )      xn P ( X  xn )   xi P ( X  xi )
i 1

Notação:  = E(X)

No exemplo, para média de X (soma das faces), temos:

1 2 2 1 252
E( X )  2   3      11  12   7
36 36 36 36 36

ou seja, em média, a soma das faces no lançamento dos dois dados é

igual a 7.
15
Variância: É o valor esperado da v.a. (X – E(X))2, ou seja, se X assume os
valores 𝑥1, 𝑥2, … , 𝑥𝑛, então

Var ( X )  E{[ X  E ( X )]2 }

n
  [ xi - E( X )]2  P( X  xi )
i 1

Desenvolvendo a fórmula acima, e lembrando que E(X) = μ, obtemos a

seguinte fórmula alternativa

Var ( X )  E ( X 2 ) – [ E ( X )]2  E ( X 2 ) –  2
n
  x i2  P ( X  x i )   2
i 1

16
A notação usual de variância é

Var (X) = 2

O Desvio Padrão é definido como a raiz quadrada positiva da

variância, isto é,

DP ( X )  Var ( X )

Notação: DP (X) = 

17
No exemplo,

x 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

2 1 2 2 2 2 2 1
Var(X) = (2 - 7) + (3 - 7) + ... + (11 - 7) + (12 - 7)
36 36 36 36
210 =
= 5, 83.
36
Podemos também calcular pela fórmula alternativa
2 1 2 2 2 2 1
2
E(X )= 2 + 3 + ... + 11 + 12 2
36 36 36 36
1974
= = 54,83
,
36
2
e, portanto, Var(X) = E(X 2) – [E(X)]2 = 54,83 – 7 = 5,83.
18
Suponha uma característica que pode assumir os valores: 1, 2, 3, 4, 5, 6, e 7,
porém com diferentes funções de probabilidades, dependendo o caso.
P(X=x) P(Y=y) P(W=w) P(Z=z)
0,25 0,25 0,56 0,06
0,25 0,00 0,00 0,00
0,00 0,00 0,00 0,00
0,00 0,00 0,00 0,00
0,00 0,25 0,25 0,06
0,25 0,25 0,13 0,29
0,25 0,25 0,06 0,59
E(X)=4 E(Y)=4,75 E(W)=3 E(Y)=6,24
Var(X)=3,25 Var(Y)=3,52 Var(W)=2,25 Var(Z)=1,61

19
Fonte:http://recologia.com.br/2017/05/valor-esperado-expected-value-a-famosa-media/
Propriedades

1) Se P(X = a) = 1, onde a é uma constante, então

E(X) = a e Var(X) = 0.

2) Se Y = a + bX, onde a e b são constantes, então

E(Y) = E(a + bX ) = a + b E(X)

e
Var(Y) = Var(a + bX ) = b2 Var(X).

20
Modelos probabilísticos discretos
Modelo de Bernoulli
Em situações práticas, existem muitos experimentos que admitem apenas
dois resultados.

Exemplos:
 uma peça é classificada como boa ou defeituosa;
 o resultado de um exame médico para detecção de uma doença é positivo
ou negativo;
 um paciente é submetido a um tratamento: o tratamento é eficaz ou não;
 um entrevistado concorda ou não com a afirmação feita;
 no lançamento de um dado ocorre ou não a face “5”.

21
Experimentos com alternativas dicotômicas produzem, genericamente,
resultados que podemos classificar através do binômio sucesso-fracasso.

Esses experimentos recebem o nome de Ensaios de Bernoulli e originam

uma variável aleatória com distribuição de Bernoulli.

Variável aleatória de Bernoulli: É uma v.a. que assume apenas dois

valores:

• 1 se ocorrer sucesso no ensaio de Bernoulli,

• 0 se ocorrer fracasso no ensaio de Bernoulli.

Geralmente, a probabilidade de sucesso é representada por p, 0 ≤ p ≤ 1.

22
“X ~ Bernoulli (p)” indica uma v.a. com distribuição de Bernoulli com
parâmetro p, isto é,
1, se ocorrer “sucesso”
X=
0, se ocorrer “fracasso”

e sua função de probabilidade pode ser representada pela tabela

x 1 0
P(X=x) 𝑝 1 − 𝑝

Segue que E(X) = 𝑝,

Var(X) = 𝑝(1 – 𝑝).

Repetições independentes de um ensaio de Bernoulli, com a mesma

probabilidade de ocorrência de “sucesso”, dão origem ao modelo de
probabilidade binomial. 23
Modelo Binomial
Exemplo: Um dado equilibrado é lançado 3 vezes.
Qual é a probabilidade de se obter a face 5 duas vezes?

Denotamos,

S: “sucesso”, ocorrer face 5;

F: “fracasso”, não ocorrer face 5.

É fácil ver que p = P(sucesso) = 1/6 e

q = 1 – p = P(fracasso) = 5/6

W = {SSS, SSF, SFS, FSS, SFF, FSF, FFS, FFF}

24
Estamos interessados no número total de sucessos, ou seja, na v.a.
X = número de vezes que a face 5 é observada nos 3 lançamentos do dado.

W Prob X
p S (SSS) p3 3
p S q F (SSF) p2q 2
S p S (SFS) p2q 2
p q
F q (SFF) pq2 1
F
p S (FSS) p2q 2

q p
S q (FSF) pq2 1
F
F p S (FFS) pq2 1
q
F q F (FFF) q3 0 25
A função de probabilidade de X é dada por:

Probabilidades binomiais para n = 3 e P(S) = p

no. de sucessos probabilidades p = 1/6
0 q3 125/216=0,5787
1 3pq2 75/216=0,3472
2 3p2q 15/216=0,0694
3 p3 1/216=0,0046

Podemos escrever essa função como

 3  k 3 k
P  X  k     p q , para k  0, 1, 2, 3
k 

Assim, a probabilidade de obter a face 5 duas vezes é P(X=2) = 0,0694

26
Distribuição binomial

A v.a. X correspondente ao número de sucessos em 𝑛 ensaios de

Bernoulli independentes e com mesma probabilidade 𝑝 de sucesso,
tem distribuição binomial com parâmetros 𝑛 e 𝑝.

Sua função de probabilidade é dada por

n k
P  X  k     p (1  p ) n  k , para k  0, 1, ... , n
k 

Notação: X ~ b(n; p).

27
Resultado:

Se X ~ b(n; p), então

valor esperado:  = E(X) = n p

variância:  2 = Var(X) = n p (1- p)

28
Exemplo usando o Rcmdr
Considere uma prova com 12 questões, cada uma com 4 alternativas.
Suponha que o aluno escolha a resposta ao acaso. Qual é a probabilidade
de que ele acerte pelo menos 6 questões?

X: número de questões que o aluno acertará

𝑋 ∈ {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,12}

12 
X ~ b(12; 0,25) P  X  x    0,25 x 1  0,25 12 x
x

Uso do R para os cálculos!

29
Para obter a distribuição de probabilidades de uma binomial no Rcmdr
siga o menu:

Distribuições -> Distribuições Discretas ->

Distribuição Binomial -> Probabilidades da binomial

30
 No exemplo, a variável aleatória

X: número de questões que o aluno acertará

X ~ b(n = 12; p = 0,25)

Observação:
- No Brasil, usa-se comumente “,”
para decimal.
- No R (em inglês ou em português)
usa-se sempre “.” para decimal.

31
> .Table Portanto, a probabilidade de acertar pelo menos
Pr 6 questões é
0 3.167635e-02 P(X ≥ 6) = 0,0544.
1 1.267054e-01
2 2.322932e-01
3 2.581036e-01 Além disso,
4 1.935777e-01
E(X) = np =12  0,25 = 3,
5 1.032414e-01
6 4.014945e-02
7 1.147127e-02 ou seja, o aluno que responder, ao acaso, todas
8 2.389848e-03 as questões. acertará, em média, 3 delas.
9 3.540516e-04
10 3.540516e-05
11 2.145767e-06
12 5.960464e-08

32
Podemos também calcular probabilidades caudais através de

Distribuições -> Distribuições Discretas -> Distribuição

Binomial -> Probabilidades das caudas da binomial

33
A probabilidade da cauda inferior a b é P(X ≤ b).
A probabilidade da cauda superior a b é P(X > b).

Portanto, no exemplo, P(X ≥ 6) = P(X > 5)

Portanto, P(X ≥ 6) = 0,0544

34
Aplicativo "Probability Distributions" (disponível no Play Store /
Apple Store)

35
Aplicativo "Probability Distributions"

 No menu "Select a Distribution"

escolher "Binomial“
 Inserir os parâmetros n e p
 Colocar o valor de x para calcular as
probabilidades OU o valor da
probabilidade para calcular o valor de x
(quantil)

Portanto, P(X ≥ 6) = 0,0544

36