Variáveis Aleatórias e

Distribuições Discretas
Seção 5

Prof.ª: Patrícia Abramof

Objetivos:
O objetivo desta aula é
apresentar os conceitos de
variáveis aleatórias e
distribuições discretas
 O resultado do lançamento de uma moeda pode ser
utilizado para tomar decisões, por exemplo:
 O árbitro de uma partida de futebol sorteia quem inicia
o primeiro tempo do jogo e ainda o ganhador do
sorteio escolhe a metade do campo onde sua equipe
iniciará o jogo.
 Outras vezes, o resultado da moeda é para realizar
uma tarefa agradável ou não, etc.
 Embora o resultado do sorteio possa ser utilizado
com diferentes finalidades, o experimento aleatório
“lançamento de uma moeda” permanece o mesmo,
mantendo os mesmos resultados.
Variável Aleatória
Variável aleatória (VA) é uma variável cujo valor é o
resultado numérico de um experimento aleatório. A VA 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.
 Um experimento é aleatório se não for possível
antecipar seu resultado, apesar de conhecer todos
os resultados possíveis que definem o espaço
amostral do experimento.

 Cada vez que o experimento for repetido, seu

resultado pertencerá a esse espaço amostral, sendo
cada resultado denominando ponto amostral

 Em vez de operar com o espaço amostral, agora

utilizaremos um conceito mais amplo denominado
variável aleatória, que adota valores de acordo com
os resultados de um experimento aleatório.
Variável Aleatória (continuação)

Dependendo dos valores numéricos, a variável

aleatória poderá ser discreta ou contínua.
 Se os valores numéricos da VA se referem a contagens,
então a VA será uma variável aleatória discreta. Por
exemplo, o número de peças rejeitadas por lote numa
linha de produção é uma VA discreta.
 Se os valores numéricos da VA pertencem ao conjunto
dos números reais, então a VA será uma variável
aleatória contínua. Por exemplo, o lucro líquido mensal
de uma empresa é uma VA contínua.
 Entretanto, nem sempre a separação entre variável
discreta e variável contínua fica clara.
Definição da variável aleatória X
A variável aleatória X está definida pelos seus valores
numéricos xi e suas probabilidades associadas p(xi),
como apresentado na tabela.
x p(x)
0 12,5%
1 37,5%
2 37,5%
3 12,5%
0 1 2 3

A tabela da VA foi obtida a partir de uma população

conhecida. Além disso, a VA representa uma
distribuição de frequências relativas, como mostra o
histograma acima.
Exemplo
Na reunião anual, o consenso do
Cenário Retorno Probabilidade
grupo de analistas definiu os
Ruim -10% 10%
retornos possíveis do mercado de
Regular 0% 20%
ações nos próximos doze meses
Bom +12% 40%
e suas probabilidades associadas
Excelente +25% 30%
de acordo com quatro possíveis
cenários e os resultados
registrados na tabela ao lado.

Com a distribuição de
frequências relativas da tabela
acima os analistas definiram a
variável aleatória X cujo
histograma é mostrado ao lado.
-10% 0% 12% 25%
Definição de VA
Os resultados dos exemplo anterior ajudam
estabelecer a definição de variável aleatória discreta:

 A VA discreta X tem o conjunto de valores:

X = {x1, x2, ..., xi ..., xn }.
 Cada valor xi de X tem associada à probabilidade
p(xi) formando a distribuição de frequências
registrada na tabela seguinte:

X x1 x2 ... xi ... xn
p(x) p(x1) p(x2) ... p(xi) ... p(xn)
Definição de VA (continuação)

As probabilidades p(x i) de cada x i atendem às

seguintes premissas:
 Todos os valores x de X têm um valor de
probabilidade no intervalo (0, 1) ou de outra
maneira 0 ≤ p(x i) ≤ 1
 A soma das probabilidades de todos os x de X é
sempre igual a um; de outra maneira:

n
p ( x1 )  p ( x2 )  ...  p ( xn )   p ( xi )  1
i 1
Valor Esperado da VA
Seja a variável aleatória X com valores numéricos x1,
x2 , ... , xn e probabilidades associadas p(x1), p(x2), ... ,
p(xn). O valor esperado E[X] da variável X é definido
por:

[ X ]  x1 p( x1 )  x2 p( x2 )  ... xi p( xi )  ... xn p( xn )
n
[ x]   xi p( xi )
i 1
Exemplo

O seguro de vida da seguradora LIFE para pessoas com

menos de 40 anos é $200.000 devendo-se pagar $600 por
ano. Se a probabilidade de uma pessoa com menos de 40
anos morrer no próximo ano for 0,1%, qual a expectativa do
lucro anual da seguradora?
Solução: Os dados mostram que a variável aleatória X
deste seguro tem dois eventos elementares:
 A probabilidade da pessoa não morrer durante o ano é
p(x1)=99,9%. Neste caso, a seguradora ganha x1= $600.
 A probabilidade da pessoa morrer durante o ano é
p(x2)=0,1%. Neste caso, a seguradora perde
x2= - $199.400 = $600 - $200.000
O valor esperado do lucro anual da seguradora é
E[X] = $400 obtido de:
2
[ X ]   xi p( xi )  x1 p( x1 )  x2 p( x2 )
i 1

[ X ]  $199.400  0,001  $600  0,999  $400

Qual o significado desse resultado? Se a quantidade

de seguros deste tipo vendidos anualmente pela
seguradora for um número muito grande, então o lucro
médio anual da seguradora será igual a $400 por
seguro vendido.
Variância e Desvio Padrão
da VA
Seja a variável aleatória X com valores numéricos x1,
x2, ... , xn e probabilidades associadas p(x1), p(x2), ...,
p(xn). Definimos como:
 Variância da variável X:
 x2  ( x1  E[ X ])2 p( x1 )  ... ( xn  E[ X ])2 p( xn )
n
 x2   ( xi  E[ X ])2 p( xi )
i 1

 Desvio padrão de X:  x    x
2
Deve-se destacar que:

A variância pode ser apresentada como  x  E[( X  E[ X ]) ]

2 2

Essa forma de variância de X como valor esperado é obtida

da própria definição de valor esperado de X. substituindo a
variável X pela variável (X — E[X])². onde E[X] passa a ser
E[(X — E[X])²].

A variância da variável aleatória X pode ser obtida. também

com a fórmula  x2  E[ X 2 ]  E[ X ]) 2
Distribuição Binomial
 Muitas variáveis aleatórias têm apenas dois possíveis
resultados ou eventos elementares, por exemplo:
 O técnico do controle de qualidade sempre retira uma
amostra de dez peças de cada lote recebido do fornecedor.
O número de peças que não atendem à especificação é uma
variável aleatória X.
 O número de respostas sim a uma pergunta da pesquisa
aplicada em 1.800 pessoas é uma variável aleatória X.
 O número de ações que ontem subiram comparadas com as
cinqüenta ações mais negociadas é uma variável aleatória X.
 Nos três exemplos, o número de vezes em que um
resultado ocorre durante um determinado número de
repetições do experimento é a variável aleatória X.
Premissas de um
experimento binomial
 O experimento é repetido n vezes. e os n resultados
do experimento são independentes.
 O experimento tem apenas dois possíveis
resultados ou eventos mutuamente excludentes:
sucesso ou falha.
 A probabilidade do sucesso do experimento é π e
se mantém constante durante as n repetições do
experimento. A probabilidade de falha do
experimento (1- π).
Probabilidade da
distribuição binomial
Se em n experiências ocorrem x= 1. 2, ... , n sucessos
com probabilidade π, a variável X terá distribuição
binomial de probabilidades:

n!
P( x)    x  (1   ) n  x
x!(n  x)!

Nessa expressão x! x( x  1)(x  2)...(2)(1) e 0! 1

   n 
2  n    (1  )
Informando os valores da probabilidade de sucesso 
na célula C4 e o número de experimentos ou tentativas,
limitadas a 50, a planilha calcula a média e a variância
nas células F4 e F5, respectivamente, e a
probabilidade escolhida na caixa de grupo a partir da
célula C8 da tabela:
Probabilidade P(x). Fornecerá a probabilidade de
ocorrerem x sucessos, de 0 até n, em n tentativas, com a
probabilidade de sucesso registrada em C4.

 Probabilidade Acumulada até x. Fornecerá a

probabilidade acumulada de ocorrerem até x sucessos em n
tentativas, com a probabilidade de sucesso registrada em
C4.
Exemplo

Uma moeda é lançada dez vezes seguidas. Qual a

probabilidade de conseguir três caras?
Solução: A probabilidade de conseguir três caras é
0,3125 ou 31,25%, resultado obtido com a fórmula:

5!
P( x  3)   0,503 (1  0,50)53
3!(5  3)!
P( x  3)  10  0,55  0,3125

Esse resultado pode ser obtido com a função

estatística DISTRBINOM do Excel registrando a
fórmula =DISTRBINOM(3;5,0;5;FALSO) numa célula
vazia de qualquer planilha.
Probabilidade de Sucesso
Os exemplos anteriores mostram tabelas de probabilidades
e histogramas da distribuição binomial para a ocorrência de
x sucessos com probabilidade  durante n experiências. A
seguir, algumas conclusões:
 Num experimento com distribuição binomial, o número
de resultados é igual a n+1, pois 0xn.
 A probabilidade de sucesso  varia entre 0+ e próximo
de 1, pois nos casos extremos o experimento não seria
aleatório.
 Para cada valor de probabilidade de sucesso , há uma
distribuição binomial de probabilidades diferente,
mantendo os outros parâmetros inalterados. A planilha
Modelo probabilidade mostra essa característica.
 Com a barra de rolagem dessa planilha, pode-se
acompanhar a variação da probabilidade de que
ocorra um determinado sucesso e a probabilidade
acumulada até esse definido sucesso em função
da probabilidade de sucesso  variável no
intervalo (0, 1) de um experimento com dez
tentativas.
 Quanto à forma da distribuição de probabilidade,
para =0,5, a distribuição é sempre simétrica,
independentemente do valor do número n de
tentativas.
 Para valores de <0,5, a distribuição de probabilidade
apresentará inclinação positiva, para a direita,
acentuando-se à medida que se aproxima de zero.

 Para valores de >0,5, a distribuição de probabilidade

apresentará inclinação negativa, para a esquerda,
acentuando-se à medida que se aproxima de um.
Exemplo

São realizadas dez experiências com probabilidade

de sucesso  =0,10. Considerando que o experimento
tem distribuição binomial, calcular a média e o desvio
padrão.
Solução. Aplicando as fórmulas temos:

  n    10  0,1  1
  n    (1   )  10  0,10  (1  0,10)  0,9487
Exemplo 2

Você tem uma carteira com quinze ações. No pregão

de ontem 75% das ações na bolsa de valores caíram
de preço. Supondo que as ações que perderam valor
têm distribuição binomial:
 Quantas ações da sua carteira você espera que tenham
caído de preço?
 Qual o desvio padrão das ações que tem na carteira?
Solução. Como 75% das ações caíram de preço, o
número de ações da carteira que devem ter caído de
preço será 11.2 = 0,75 x 15 . O desvio padrão é 1,67
obtido com a fórmula:
  n    (1   )  15 0,75 (1  0,75)  1,67
Distribuição de Poisson
 Depois da binomial, a distribuição de Poisson é a distribuição
de probabilidade discreta mais utilizada, pois pode ser
aplicada a muitos casos práticos nos quais interessa o número
de vezes que um determinado evento pode ocorrer durante um
intervalo de tempo ou num determinado ambiente físico,
denominados área de oportunidade, por exemplo:
 O número de acidentes de carros por dia numa grande
cidade como São Paulo.
 O número de chamadas telefônicas por hora recebidas na
central telefônica durante o período normal de operação de
uma empresa.
 O número de defeitos de soldagem em seis metros de
tubo; o número de garrafas mal fechadas por trinta minutos
na máquina de enchimento de cerveja.
Distribuição de Poisson (continuação)

 Num processo de Poisson podem ser observados

eventos discretos numa área de oportunidade de tal
forma que, reduzindo suficientemente essa área de
oportunidade que pode ser um intervalo de tempo,
espaço, ou área na qual mais de uma ocorrência de
um evento pode ocorrer:
 A probabilidade de observar apenas um sucesso no
intervalo é estável.
 A probabilidade de observar mais de um sucesso no
intervalo é zero.
 A ocorrência de um sucesso em qualquer intervalo é
estatisticamente independente da ocorrência em qualquer
outro intervalo.
Distribuição de Poisson (continuação)

 A distribuição de Poisson é caracterizada apenas

pelo parâmetro .

 Enquanto a variável aleatória do processo de

Poisson X se refere ao número de sucessos por
área de oportunidade, o parâmetro  se refere ao
valor esperado, ou média, do número de sucessos
por área de oportunidade.
Probabilidade da
Distribuição de Poisson
A probabilidade P(x) de ocorrência de x conhecido
e    x
 é P( x) 
x!

  é o numero esperado de sucessos.

 x = 0, 1, 2, ..., ∞ é o numero de sucessos.
 e constante aproximadamente igual a 2,7182....

A média e a variância são iguais a    e  2  

Exemplo

As lâmpadas de iluminação da área de manufatura

da montadora são substituídas numa média de oito
lâmpadas por dia. Se a distribuição de frequências
das lâmpadas substituídas for do tipo Poisson...
Solução. Dos dados deduzimos que o número
esperado de trocas diárias de lâmpadas é  = 8.
Qual a probabilidade de amanhã substituir cinco
lâmpadas?

e 8  85
P( x  5)   0,091604
5!
Qual a probabilidade de amanhã não
substituir nenhuma lâmpada?

e 8  80
P( x  0)   0,000335
0!

Qual a probabilidade de amanhã substituir no máximo

cinco lâmpadas?
A probabilidade de amanhã substituir no máximo (ou até)
cinco lâmpadas é
P(x≤5)=P(x=0)+P(x= 1)+P(x=2)+P(x=3)+P(x=4)+P(x=5 )=19,12%
resultado obtido com a fórmula:
5
e 8  8 i
P ( x  5)    0,1912
i 0 i!

2  
 Informando o número esperado de sucessos  na
célula C4, a planilha calcula a média, a variância e
as probabilidades escolhidas na caixa de grupo a
partir da célula C8:

 Probabilidade P(x). Fornecerá a probabilidade de ocorrerem x

sucessos, com o número esperado de sucessos registrado
em C4.
 Probabilidade Acumulada até x. Fornecerá a probabilidade
acumulada de ocorrerem até x sucessos com o número
esperado de sucessos registrado em C4.
Distribuição Binomial
Negativa
 Para apresentar a distribuição binomial negativa,
faremos uma análise do que foi apresentado na
distribuição binomial.
 O ponto de partida é o processo de Bernoulli, definido
como o experimento aleatório cujo espaço amostral tem
apenas dois possíveis resultados mutuamente excludentes
denominados sucesso e falha, sendo  a probabilidade de
sucesso.
 Se o processo Bernoulli for repetido n vezes, considerando
que as experiências são independentes, então a variável
aleatória X que define o número de sucessos do
experimento terá distribuição binomial. Observe que, na
distribuição binomial, o número de experimentos n é
definido antecipadamente.
Distribuição Binomial
Negativa (continuação)

 Em vez de repetir o experimento um número

determinado de vezes, pode-se estabelecer que o
experimento seja repetido até conseguir o primeiro
resultado sucesso. Nesse caso, a variável aleatória
X que define o número de experimentos
necessários até conseguir o primeiro resultado
sucesso tem uma distribuição geométrica.
Distribuição Binomial
Negativa (continuação)

 Ampliando as premissas da distribuição geométrica,

em vez de repetir o experimento até conseguir o
primeiro resultado sucesso, a distribuição binomial
negativa, conhecida também como Distribuição de
Pascal, permite determinar a probabilidade de que
será necessário realizar exatamente n
experimentos para obter x resultados de sucesso
com probabilidade .
CONTINUIDADE

NA PROXIMA AULA
ESTUDAREMOS DISTRIBUIÇÕES
Referências Bibliográficas
 LAPPONI, J. C. Estatística usando Excel. 4ª
edição. Rio de Janeiro: Elsevier, 2005.
 LEVINE, D. M.; BERENSON, M. L.; STEPHAN,
D. Estatística: Teoria e Aplicações usando
Microsoft Excel em português. Rio de Janeiro:
LTC, 2000.
 BUSSAB, W.; MORETTIN, P. A. Estatística
básica 5ª ed. São Paulo: Saraiva, 2005.