VARIÁVEIS ALEATÓRIAS

O espaço amostral associado a este experimento aleatório é

a1, a 2 , ,a6 .

Os possíveis valores da variável X são 0,1,2,..., e os possíveis valores

da variável Y são os números reais não negativos.

Classificação:
•Variáveis aleatórias discretas. O conjunto de possíveis valores é finito
ou infinito enumerável.

•Variáveis aleatórias contínuas. O conjunto de possíveis valores é

infinito não enumerável (um intervalo, por exemplo).

No exemplo acima, X é discreta e Y é contínua.

3
Variáveis aleatórias discretas (VAD)

X é uma VAD com possíveis valores no conjunto RX. Uma função f(x) é
uma função de probabilidade se

(i) 0 f ( xi ) 1,
(ii) P( X xi ) f ( xi ), xi RX e
(iii) f ( xi ) 1.
xi R X

Exemplo. Um lote de um certo produto é formado por 35 itens, sendo

21 itens do tipo H e 14 do tipo M. Uma amostra de 3 itens será formada
sorteando-se, sem reposição, três itens do lote. Qual a probabilidade
de encontrarmos na amostra pelo menos dois itens do tipo M?

Definimos X como o número de itens do tipo M na amostra.

4
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 20
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.

5
Exemplo. A demanda diária de um item é uma variável aleatória discreta
com a função de probabilidade
C 2d
P( D d ) ; d 1, 2, 3, 4.
d!
(a) Determinar a constante C.
(b) Calcular P(D 2).
Solução. (a) Para que P(D = d) seja uma função de probabilidade,
devemos ter (i) C > 0 e
(ii) P(D = 1) + P(D = 2) + P(D = 3) + P(D = 4) = 1. Ou seja,
2 22 23 24 1
P( D d) 1 C 1 C .
d RD 1 2! 3! 4! 6
2d
Logo, P ( D d) ; d 1, 2,3, 4 .
6d !
2 4 2
(b ) P ( D 2) 1 P ( D 2) 1 P ( D 1) 1 .
6 6 3
6
Função de distribuição acumulada de uma VAD

Função de distribuição acumulada (FDA)

X é uma VAD com valores em RX = {x1,x2,...} e função de probabilidade
f(x) = P(X =x). Para qualquer x, a FDA de X, denotada por F(x), é definida
como
F ( x) P( X x) f ( xi ) P ( X xi ), em que xi R X .
xi x xi x

Exemplo. Uma variável aleatória X tem função de probabilidade

1 / 15 , se x 1,
f (x) P( X x) 7 / 15 , se x 2 ,3,
0, c.c.

Determinar F(x).

7
Se x 1, F ( x) P( X x) 0.
1
Se x 1, F (1) P( X 1) P( X xi ) P( X 1) f (1) .
xi 1 15
1
Se 1 x 2, F ( x) P( X x) P( X xi ) P( X 1) .
xi x 15
1 7 8
Se x 2, F (2) P( X 2) P( X xi ) P( X 1) P( X 2) .
xi 2 15 15 15
8
Se 2 x 3, F ( x) P( X x) P( X xi ) P( X 1) P( X 2) .
xi x 15
Se x 3, F (3) P( X 3) P( X xi ) P( X 1) P( X 2) P( X 3)
xi 3

1 7 7
1.
15 15 15
Se x 3, F ( x) P( X x) P( X xi ) P( X 1) P( X 2) P( X 3) 1.
xi x

8
Propriedades da função de distribuição acumulada

X é uma VAD
1. Para todo x, 0 F(x) 1.
2. F(x) é uma função monótona não decrescente.

3. xlim F ( x ) 0 e lim F ( x )
x
1
4. Se RX = {x1, x2,......}, em que x1<x2<..., então
f(xi) = P(X = xi) = F(xi) - F(xi-1).
5. Se a e b são tais que a<b, entã
( i ) P ( X a ) F ( a ),
( ii ) P ( X a ) 1 P ( X a ),
( iii ) P ( a X b ) F ( b ) F ( a ),
( iv ) P ( a X b ) F ( b ) F ( a ) P ( X a) e
( v ) P ( a X b ) F (b ) F ( a ) P ( X b ).
10
Exemplo. A variável aleatória X tem função de distribuição acumulada

0, se x 0,
1 / 8, se 0 x 1,
F (x ) 1 / 2, se 1 x 2,
5 / 8, se 2 x 3,
1, se x 3 .

Determinar
( a ) P (1 X 3), (b ) P ( X 2) e (c ) f ( x ).
Usando a propriedad e 5(iii) da FDA :
(a) P (1 X 3) F (3) F (1) 1 1 / 2 1 / 2.
(b ) Propriedad e 5(i) da FDA : P(X 2) 1 - P(X 2) 1 - F(1) 1 - 1/2 1/2.
(c) Da FDA tem - se que R X {0,1, 2,3}. Pela propriedad e 4 da FDA,
pode - se mostrar que a função de probabilid ade de X é
1 / 8, se x 0, 2,
f ( x) P( X x) 3 / 8, se x 1, 3,
0, c.c.

11
Exemplos

1.0

1.0
0.8

0.8
0.6

0.6
F(x)

F(x)
0.4

0.4
0.2

0.2
0.0

0.0
3 .0 3 .5 4 .0 4 .5 3 .0 3 .5 4 .0 4 .5 5 .0
x x

1.0
1.0

0.8
0.8

0.6
0.6

F(x)
F(x)

0.4
0.4

0.2
0.2

0.0
0.0

3 .0 3 .5 4 .0 4 .5 5 .0 3 .0 3 .5 4 .0 4 .5 5 .0
x x

12
Variáveis aleatórias contínuas (VAC)

Função densidade de probabilidade

Uma função f(x) é chamada função densidade de probabilidade de uma
VAC X se

1. f ( x) 0, para todo x .

2. f ( x ) dx 1.

b
3 . Se A { x; a x b }, então P ( A ) P (a X b) f ( x ) dx .
a

Exemplo. O tempo de produção de um componente (em minutos) é uma variável

aleatória X com função densidade
5 x
, se 2 x 4,
f ( x) 4
0, caso contrário.

Verificar se f(x) é uma função densidade de probabilidade e calcular a probabilidade

que o tempo de produção de um artigo escolhido ao acaso seja menor do que 3
minutos.
13
Observação. Se X é uma VAC, então

(i) P( X x) 0, para todo x,

(ii) P(a X b) P ( a X b) P ( a X b)
P(a X b), para todos a e b com a b,
(iii) P( X a ) P( X a), para todo a.
Função de distribuição acumulada. X é uma VAC com função densidade
f(x). A função de distribuição acumulada (FDA) de X é
x
F ( x) P( X x) f ( t ) dt , para todo x .

Obs. Se X é um tempo de vida, utilizamos a função de confiabilidade

(reliability function): R(x) = P (X > x) = 1 – F(x).

Exemplo. Uma variável aleatória X tem função densidade

5 x
, se 2 x 4,
f ( x) 4 Determinar F(x).
0, caso contrário.

15
 Se x 2, f ( x ) 0 ; logo, F(x) 0.
Se 2 x 4,
x 2 x 2 x
5 t 5 t 9 (5 x ) 2
F(x) f(t)dt 0 dt dt .
- 2
4 8 2
8
Se x 4,
x 2 4 x
F(x) f(t)dt f ( t ) dt f ( t ) dt f(t)dt 1.
- 2 4
0 1 0

1.0
Logo, a FDA de X é

0.8
0, se x 2,

0.6
F(x)
9 (5 x) 2

0.4
F ( x) se 2 x 4,
8

0.2
1, se x 4.
0.0
0 1 2 3 4 5 6
x

16
 Observação.

A FDA de X permite o cálculo de probabilidades de eventos da forma

E = {x; a x b}, com a b. Isto é,
P(E) = F(b) – F(a).
Exemplo. Considere a FDA abaixo. Obtenha P(X 3) e P(3 X < 5).

0, se x 2,
9 (5 x ) 2
F ( x) , se 2 x 4,
8
1, se x 4.

Solução.
2
9 (5 3) 5
P ( X 3) F (3 ) e
8 8
5 3
P (3 X 5) F (5 ) F (3 ) 1 .
8 8

17
 Propriedades

1. 0 F(x) 1, para todo x.

2. F(x) é uma função monótona não decrescente.
3. F(x) é uma função contínua para todo x.
x x
4 . lim F ( x ) lim f (t ) dt 0 e lim F ( x ) lim f (t ) dt 1.
x x x x

5. Do teorema fundamental do cálculo obtemos

d
f(x) F ( x ).
dx

Exemplo. Suponha que o tempo de vida de um processador é uma variável aleatória

X com
x

F (x) 1 ke 2
, se x 0,
0, se x 0.
Determinar (a) o valor de k, (b) P(X 2), P(2 X 4) e P(X -1) e (c) f(x).
18
Solução. (a) Propriedade 3 de F(x): F(0) = 0.
x

1 ke 0
0 k 1 . Logo, F(x) 1 e 2
, se x 0,
0, c.c.

(b) P( X 2) 1 P( X 2) 1 (1 e 1) e 1 0,368.
P(2 X 4) F(4) F(2) (1 e 2 ) (1 e 1) e 1 e 2
0,233.
P( X 1) F( 1) 0.

0.5
0.4
0.3

1.0
f(x)

F(x)
0.2

0.8
0.1

0.6
F(x) e R(x)
0.0

0 2 4 6 8

0.4
x
(c ) Propriedad e 5 de F(x) :
R(x)

0.2
x
d 1
f ( x) F ( x) e , se x 0,
2
2
0.0
dx 0, c.c. 0 2 4 6 8
x

19
Valor esperado e variância

Valor esperado de uma variável aleatória. X é uma variável aleatória com

função de probabilidade ou função densidade de probabilidade f(x). O valor
esperado (ou esperança matemática ou média da variável aleatória), denotado
por E(X) = X é definido como

1. X é uma variável aleatória discreta :

E(X ) xf ( x ) e
x RX

2 . X é uma variável aleatória contínua :

E(X ) xf ( x ) dx ,

supondo que o somatório e a integral existem.

20
Valor esperado de uma função de variável aleatória
Y = h(X), sendo h uma função de X.
O valor esperado de h(X) é dado por

1. X é uma variável aleatória discreta :

E (Y ) h(x) f (x) e
x R X

2 . X é uma variável aleatória contínua :

E (Y ) h ( x ) f ( x ) dx .

21
Variância de uma variável aleatória. X é uma variável aleatória com função
de probabilidade ou função densidade de probabilidade f(x) e com média
E(X) = X.
A variância de X, denotada por Var ( X ) é definida como o valor
2
X

esperado de (X - X)2.

1. X é uma variável aleatória discreta :

Var ( X ) (x )2 f (x) e
x RX

2 . X é uma variável aleatória contínua :

Var ( X ) (x ) 2 f ( x ) dx .

Desvio padrão. É a raiz quadrada da variância:

DP ( X ) X Var ( X ) .

22
 Exemplo. Suponha que a demanda diária de uma peça é uma variável
aleatória discreta com função de probabilidade

2x
f ( x) P( X x) , x 1, 2, 3, 4,
6 x!
0, c.c.

Determinar (a) a demanda esperada e (b) o desvio padrão da demanda.

Solução. Gráfico de f(x).

0.30
0.25
P(X = x)
0.20
0.15

1 2 3 4
x

23
Solução. (a) Pela definição de valor esperado, temos
2 22 23 24 19
E(X ) xf ( x ) 1 2 3 4 2 ,1 .
x RX 6 6 2! 6 3! 6 4! 9

( b ) Var ( X ) (x )2 f ( x)
x RX

19 2 2 19 2 22 19 2 23 19 2 24 80
(1 ) (2 ) (3 ) (4 ) ,
9 6 9 6 2! 9 6 3! 9 6 4! 81

80
DP ( X ) 0 , 99 .

0.30
X
81

0.25
Gráfico de f(x) com – , P(X = x)

0.20
e + . 0.15

1 2 3 4
x

24
 Moda, mediana e média (VAC)
f(x)

f(x)
Mediana

Mediana
Moda

Média

Média

Moda
x x

Assimetria à direita: Assimetria à esquerda:

Moda < Mediana < Média Moda > Mediana > Média

Simetria: Mediana = Média (se existir).

25
Variáveis aleatórias independentes

X e Y são duas variáveis aleatórias. Dizemos que X e Y são

independentes se, e somente se,

P(( X x) (Y y )) P( X x) P(Y y ))
FX ( x) FY ( y ), para todos x e y,
sendo que FX e FY são as FDA’s de X e Y.

Em particular, se X e Y são duas variáveis aleatórias discretas, X e Y

são independentes se, e somente se,

P(( X x) (Y y )) P( X x) P(Y y ), para todos x e y.

26
Propriedades do valor esperado e da variância

X e Y são duas variáveis aleatórias e a e b dois números reais.

1 .E ( a ) a.
2 . E ( aX ) aE ( X ).
3 . E ( aX b) aE ( X ) b.
4 . E aX bY aE ( X ) bE ( Y ).
2 2
5 .Var ( X ) E(X ) .
X

6. Var ( a ) 0.
[Link] ( aX ) a 2Var ( X ).
8. Se X e Y são variáveis aleatórias independen tes, então
Var ( aX bY) a 2Var ( X ) b 2Var (Y ).
9. Se X 1 , , X n são n variáveis independen tes, então
Var (X 1 X2 X n ) Var ( X 1 ) Var ( X 2 ) Var ( X n ).

27
Exemplo. O total de vendas diárias de um empresa que comercializa
equipamentos eletrônicos (em dezenas de milhares de R$) é uma variável
aleatória com função densidade
x 2
, se 2 x 4 ,
3
6 x
f X ( x) , se 4 x 6 ,
6
0, c.c.

(a) Para um certo dia, determine a probabilidade de que as vendas da

empresa sejam maiores do que R$ 22.000,00, mas não ultrapassem
R$ 45.000,00.
(b) A média e o desvio padrão das vendas diárias.
(c) Se o lucro diário é dado pela função Y = 0,2X - 0,5, calcule a média e
o desvio padrão do lucro diário.

28
Solução. Denotamos as vendas diárias (em dezenas de milhares de R$)
por X.

0.6
Gráfico de f(x):

0.5
0.4
Densidade

0.3
0.2
0.1
0.0

0 2 4 6 8
4
V e n d a s (1 0 R $ )

(a) Definimos A = {2,2 < X 4,5} e calculamos

4 ,5 4 4 ,5
x 2 6 x
P(A) P ( 2 ,2 X 4 ,5 ) f ( x ) dx dx dx
2 ,2 2,2
3 4
6
4 4 ,5
2 2
1 x 1 x
2x 6x 0 , 806 .
3 2 2 ,2
6 2 4

29
(b) Iniciamos calculando
4 6
x 2 6 x 34
E( X ) xf ( x ) dx x dx x dx 3,78
2
3 4
6 9
4 6
2 2 2 x 2 6 x 134
e E( X ) x f ( x ) dx x dx x2 dx 14,89 .
2
3 4
6 9

Logo, 2
2 134 34
X Var ( X ) E(X 2) 2
X
9 9
50 / 81
e X Var ( X ) 50 / 81 0 , 786 .

(c) Definimos Y = 0,2X – 0,5. Das propriedades do valor esperado e da variância

obtemos E(Y) = E(0,2X – 0,5) = 0,2 E(X) – 0,5 = 0,2 34/9 –0,5 0,256,

Var(Y ) Var(0,2 X 0,5) 0,22Var( X ) 0,22 (50/ 81)

Y Var(Y ) 0,157.

30