ESTATÍSTICA

DISTRIBUIÇÃO DE
PROBABILIDADES E VARIÁVEIS
Autor: Me. Marcelo Tavares de Lima
Revisor: Rebecca Manesco Paixão

INICIAR
introdução
Introdução

Olá, aluno! Seja muito bem-vindo aos estudos de probabilidades, distribuições de

probabilidades e variáveis aleatórias, assunto de extrema importância para a sua
formação acadêmica e pro ssional. Acadêmica porque o conteúdo trará para você
bases teóricas sobre os conceitos fundamentais e aplicações. A importância para sua
formação pro ssional porque fornecerá a você embasamento su ciente para que você
possa utilizar o método cientí co para realizar tomada de decisão ao longo de sua
carreira pro ssional. O conteúdo desta unidade permitirá, também, que você possa
avaliar probabilidades de ocorrências de eventos ou fenômenos considerando eventos
passados. Isso será possível através do conceito de probabilidade condicional.

O estudo das distribuições de probabilidade ajudará você a modelar fenômenos

aleatórios e a partir disso, calcular probabilidades de ocorrências de resultados de seu
interesse. Desejamos que você tenha um excelente momento de leitura e
aprendizagem com este texto. Bons estudos!
Introdução à Probabilidade

O estudo das probabilidades é realizado pelos interessados no assunto desde muito

tempo atrás. Trata-se da busca por saber chances de ocorrências de fenômenos
aleatórios antes mesmo deles acontecerem.

A intenção é de conhecer o fenômeno tão bem a ponto de realizar previsões a seu

respeito a partir de estimativas obtidas com informações a seu respeito. Para isso,
elaboram-se modelos probabilísticos com propriedades matemáticas bem de nidas.
Fonseca e Martins (1996, p. 15) a rmam que “os fenômenos estudados pela Estatística
são fenômenos cujo resultado, mesmo em condições normais de experimentação
variam de uma observação para outra”.

A variação nos resultados observados em fenômenos de interesse di culta a realização

de previsões. Para tanto, os estudiosos do assunto passaram a desenvolver uma série
de modelos probabilísticos no intuito de “controlar” tal variabilidade.

Um experimento ou fenômeno, de forma geral, possui algumas características em

comum, as quais segundo Fonseca e Martins (1996, p. 16) podem enumeradas
conforme a seguir.

1. Um experimento pode ser repetido in nitamente sob as mesmas condições.

2. A ocorrência de um resultado particular de um experimento não é conhecida
previamente, no entanto, é possível descrever todos os possíveis resultados
de sua realização de forma prévia, inclusive, obtendo a possibilidade de
ocorrência de cada um dos resultados.
 3. Ao repetir um experimento por muitas vezes permite a identi cação de
“regularidades” associadas à sua realização. Tal regularidade poderá ser
representada por uma razão tipo r/n , em que n é o número total de
realizações do experimento e r o número de vezes em que ocorreu um
resultado de interesse (sucesso).

Espaço amostral
Todo fenômeno ou experimento tem associado a si um conjunto de resultados
possíveis, os quais podem compor um conjunto de resultados. A este dá-se o nome de
“espaço amostral”, cuja de nição, segundo Fonseca e Martins (1996) é apresentada a
seguir.

De nição 1: Conjunto de todos os possíveis resultados (S) de um experimento ou

fenômeno a partir de sua realização.

Para resultados discretos, trata-se da “enumeração ( nita ou in nita) dos resultados

possíveis do experimento em questão:” (BUSSAB; MORETTIN, 2017, p. 112).

S=ω1,ω2,...,ωn,... (3.1)

onde, ω são os pontos amostrais ou eventos elementares do espaço amostral S.

Exemplo 1. Considere o experimento de lançar um dado honesto e observar a sua face

superior. É possível perceber que os resultados possíveis dessa ação é o conjunto
composto pelos seguintes pontos amostrais {1, 2, 3, 4, 5, 6} que é o espaço amostral S
do experimento.

Evento
É um subconjunto do espaço amostral S é representado por letras maiúsculas, como,
por exemplo, a letra A. Pode-se a rmar ainda que, o próprio espaço amostral S é um
evento, assim como, o conjunto vazio ou impossível ∅.

Exemplo 2. Considere o experimento de lançar uma moeda duas vezes. Vamos

representar por C se a face observada for cara e K se for coroa. O espaço amostral S do
experimento será (BUSSAB; MORETTIN, 2017)

S=(C,C),(C,K),(K,C),(K,K)

Os eventos elementares ou pontos amostrais de S são ω1=(C,C), ω2=(C,K), ω3=(R,C) e

ω4=(R,R). Podemos supor que a moeda é honesta, perfeita e homogênea, ou seja, que a
probabilidade de ocorrência de cara face é igual a 0,5, o que representa o meio-a-meio,
pois, uma moeda só tem duas possibilidades de resultado por ter duas faces. Portanto,
a probabilidade de cada ponto amostral ωi,i=1,2,3,4 é igual a 0,25. Para se chegar a esse
valor, basta observar que o espaço amostral possui quatro eventos como descritos e,
considerando que todos têm a mesma possibilidade de ocorrerem, então, basta
considerar, intuitivamente, que a probabilidade para cada evento é dada por ¼ = 0,25.

Para experimentos contínuos como a medição de uma distância, uma velocidade ou

um tempo de realização de alguma atividade, também, é possível associar um espaço
amostral S, conforme mostra o exemplo, a seguir, extraído de Bussab e Morettin (2017,
p. 113).

Exemplo 3. Vamos considerar o experimento em retirar uma lâmpada de um lote de

lâmpadas e medir o seu tempo de vida, ou seja, avaliar o tempo (em horas) até que ela
queime. O espaço amostral associado a este experimento pode ser representado da
seguinte maneira,

S={t∈R:t≥0}

ou seja, o espaço amostral é o conjunto de todos os números reais não negativos. Um

evento possível de ser associado a este experimento consiste, por exemplo, “o tempo
de vida da lâmpada é inferior a 20 horas”. Então, o evento pode ser representado como
A={t:0≤t≤20}.

Probabilidade
Segundo Fonseca e Martins (1996), a probabilidade de um evento A ocorrer é uma
função de nida no espaço amostral S, o qual associa um número real que deve
satisfazer as seguintes propriedades.

1. 0≤P(A)≤1: Bussab e Morettin (2017, p. 111) a rmam que “as frequências

relativas são estimativas de probabilidades de ocorrências de certos eventos
de interesse” e, por estarem de nidas entre 0 e 1, conclui-se que uma medida
de probabilidade de um evento A de interesse, também, deve existir entre 0 e
1.
2. P(S)=1: Considera-se o espaço amostral S, também, como evento, o qual é
conhecido como evento certo por ter probabilidade igual a 1, garantindo que
sempre ocorrerá na realização do experimento ao qual esteja associado.
3. P(∅)=0: Considera-se, também, o conjunto vazio como um evento de todo
espaço amostral S, no entanto, a sua não ocorrência certa fez com que casse
conhecido como “evento impossível” e atribuída a probabilidade zero de
ocorrência.
 4. Considerando os eventos A e B como eventos mutuamente exclusivos, ou seja,
eventos que não podem ocorrer de forma simultânea no mesmo experimento
(A∩B=∅), então, P(A∪B)=P(A)+P(B).
5. Se dois eventos A e B não forem eventos mutuamente exclusivos, ou seja, se
puderem ocorrer de forma simultânea no mesmo experimento, então,
P(A∪B)=P(A)+P(B)−P(A∩B). Para eventos aleatórios existe a incerteza se irão
acontecer. Essa medida de chance ou probabilidade, que podemos esperar
que o evento ocorra designamos um número entre 0 e 1, que é uma medida
de probabilidade com as propriedades descritas anteriormente.

Bussab e Morettin (2017, p. 111) a rmam que “em particular, as frequências (relativas)
são estimativas de probabilidades de ocorrências de certos eventos de interesse”. Dada
esta a rmação, vamos considerar que, se um evento E qualquer ocorrer m vezes ao se
repetir um experimento n vezes. Então, podemos obter uma medida de probabilidade
para o evento E intuitivamente, percebendo que:

ˊ ˆ
total de casos favoraveis a ocorrencia de E n(E)
P(E)= = (3.2)
˜ n
Total de repetioes do experimento

ou ainda,

ˊ ˊ
numero de casos favoraveis a E
P(E)= (3.3)
ˊ ˊ
numero de casos poss iveis

O “número de casos possíveis” em uma situação de possível enumeração (espaço

amostral nito) dos resultados (todos com a mesma probabilidade de ocorrência) de
um experimento aleatório, corresponde ao total de resultados de um experimento, ou
seja, ao espaço amostral.

Em situações descritas acima, é possível fazer uso de métodos clássicos de contagem

de análise combinatória para enumerar elementos do espaço amostral e do evento de
interesse para se obter medidas de probabilidade. Outras propriedades e teoremas
podem ser encontrados com maior detalhamento em Bussab e Morettin (2017)
disponível na biblioteca virtual.
 saiba mais
Saiba mais
Para calcular medidas de probabilidade é
importante que se saiba utilizar corretamente as
técnicas de contagem e de análise combinatória.
Portanto, é imprescindível que o aluno busque se
familiarizar com esses métodos matemáticos.
Existe muito material disponível na internet sobre o
assunto, no entanto, podemos indicar para você
um deles, para iniciar a sua pesquisa.

Fonte: Elaboração do autor.

ACESSAR

Exemplo 4. Nós iremos supor que em um lote de 20 peças existam 5 peças

defeituosas. Queremos selecionar quatro peças ao acaso, ou seja, aleatoriamente, para
compor uma amostra das peças do lote (BUSSAB; MORETTIN, 2017).

Utilizando de técnica de contagem podemos descobrir que o número de amostras com

quatro peças, desconsiderando a ordem da retirada das peças do lote, é dado por
20!
20
= =4845, ou seja, queremos obter combinações das 20 peças tomadas de 4
( 4 ) 4!(20−4)!
em 4, que resulta no total de 4845 possibilidades, compondo o total de pontos
amostrais (espaço amostral). O cálculo apresentado trata-se do coe ciente binomial, o
qual é obtido por uma razão de números fatoriais.

Vamos supor que desejamos calcular a probabilidade de que duas das peças escolhidas
sejam defeituosas na amostra. Para isso, vamos considerar o evento A consistindo da
escolha de duas peças defeituosas para compor a amostra de quatro peças. Podemos
obter o total de possibilidades de escolhas de duas peças defeituosas e duas não
5! 15!
5 15
defeituosas pela seguinte enumeração ( ). ( )= . =10.105=1050, ou seja, do
2 2 2!(5−2)! 2!(15−2)!
total de cinco peças defeituosas, sorteamos duas e, do total de 15 peças não
defeituosas, sorteamos mais duas para compor a amostra. O cálculo partiu do conceito
de princípio multiplicativo da enumeração de possibilidades. Portanto, podemos
1050
calcular a probabilidade P(A)= =0,2167.
4845
O resultado nos permite que a probabilidade de compor uma amostra de quatro peças,
sendo duas delas defeituosas é igual a 0,2167 ou, em termos percentuais, cerca de
21,67%.

Probabilidade condicional e dependência

Para compreender as de nições e conceitos associados, vamos considerar o seguinte
experimento, sobre o lançamento de um dado não viciado (honesto; perfeito). Já vimos
que o espaço amostral associado a este experimento é composto pelo seguinte
conjunto S={1,2,3,4,5,6}. Vamos considerar o evento A={observar a face 3}. Portanto,
podemos dizer que a medida de probabilidade associada ao evento A é igual a 1/6, ou
ˊ
seja, P(A)=1/6. Consideremos agora um outro evento B= {observar uma face impar } o qual
nos leva ao conjunto B={1,3,5}.

Podemos estar interessados em obter a probabilidade de ocorrência do evento A

sabendo que o evento B ocorreu em um experimento prévio. A este tipo de cálculo de
probabilidade dá-se o nome de probabilidade condicional, que simbolicamente pode
ser representada por P(A/B) e lida como “probabilidade de ocorrência do evento A
condicionada à ocorrência do evento B” ou ainda “probabilidade de A dado B”.

Considerando a situação, podemos obter a probabilidade desejada analisando que, se

o evento B ocorreu previamente, então, o espaço amostral deixaria de ser composto
por seis pontos amostrais {1,2,3,4,5,6} e passaria a ser composto por três pontos
amostrais {1,3,5} que corresponde ao evento B. Então, a probabilidade de ocorrência do
evento A sabendo que o evento B ocorreu previamente a ele, é dada pela probabilidade
P(A | B)=1/3.

Segundo Bussab e Morettin (2017, p. 119) “para dois eventos quaisquer A e B, sendo
que P(B)>0, de nimos a probabilidade condicional de A dado B “, como:

P(A∩B)
P(A | B)= (3.4)”
P(B)

Exemplo 5. Considere os dados apresentados na Tabela 1.1 referentes a alunos

matriculados em quatro cursos de uma instituição de ensino superior em um
determinado ano, apresentados por sexo do aluno (BUSSAB; MORETTIN, 2017).
 Curso / Sexo Homens (H) Mulheres (F) Total

Matemática Pura (M) 70 40 110

Matemática Aplicada (A) 15 15 30

Estatistica (E) 10 20 30

Computação (C) 20 10 30

Total 115 85 200

Tabela 3.1 – Distribuição dos alunos segundo sexo e curso.

Fonte: adaptado de Bussab e Morettin (2017).

Dado que um estudante, escolhido aleatoriamente, seja um aluno do curso de

Estatística, a probabilidade de que seja mulher é dada por:

20 2
P(F | E)= =
30 3

Observe que, o cálculo é este porque dos 30 alunos matriculados no curso de

Estatística, 20 são mulheres. Vamos considerar ainda, se os eventos A e B indicarem,
respectivamente, “aluno matriculado em Estatística” e “aluno do sexo feminino”, então
P(A∩B) 20/200 2
P(A | B)= = = , conforme havia sido encontrado antes. Outras observações a
P(B) 30/200 3
85 17
respeito dos dados que podem ser feitas são que P(A)=P(mulher)= = . Dado o que foi
200 40
apresentado, é possível a rmar que a probabilidade P(A) é a probabilidade a priori do
evento A e, com a informação adicional de que o evento B ocorreu, podemos obter a
probabilidade a posteriori P(A|B). Uma outra observação que podemos fazer a respeito
do exemplo é que, P(A | B)>P(A), logo, é possível concluir que, a informação de que o
evento B ocorreu aumentou a chance de o evento A ocorrer.

É possível destacar que da equação (3.4) podemos obter uma regra chamada “regra do
produto de probabilidades”, dada por

P(A∩B)=P(B).P(A|B) (3.5)

Em situações onde um evento A qualquer independe de um outro evento B, podemos

a rmar que A e B são eventos independentes, então, P(A | B)=P(A). Teremos, então, que
 P(A∩B)=P(B).P(A) (3.6)

A fórmula (3.6) pode ser considerada como uma de nição de independência entre dois
eventos quaisquer e, particularizando para o caso apresentado, podemos dizer que, os
eventos A e B são independentes se, e somente se, (3.6) for válida, caso contrário, os
eventos serão dependentes.

Exemplo 6. Considere o experimento de lançar duas moedas, sendo as duas honestas,

ou seja, os quatro resultados possíveis terão a mesma chance de ocorrência
(igualmente prováveis) e, o espaço amostral é
S={(cara,cara), (cara,coroa), (coroa,cara),(coroa,coroa)}. Consideremos o evento E o evento em
que o resultado da primeira moeda lançada resultar cara E={(cara,cara), (cara,coroa)} e
outro evento F em que a segunda moeda lançada resulta em coroa,
F={(cara,coroa), (coroa,coroa)}. Podemos, então, veri car que, os eventos E e F são
independentes, pois, P(E∩F)=P({(cara,coroa)})=1/4, enquanto que
P(E)=P({(cara,cara),(cara,coroa)})=1/2 e P(F)=P({(cara,coroa),(coroa,coroa)})=1/2. (ROSS, 2010).

Teorema de Bayes
Para apresentar a de nição do Teorema de Bayes, vamos considerar aquela
apresentada, de forma adaptada, por Fonseca e Martins (1996) onde dizem que “sejam
A1,A2,A3,…,An, eventos mutuamente exclusivos e pertencentes ao mesmo espaço

amostral, tais que A1∪A2∪…∪An=S. Os eventos Ai constituem partições do espaço

amostral. Vamos considerar que sejam P (Ai ) as probabilidades conhecidas dos vários
eventos Ai e, seja B um evento qualquer do espaço amostral S tal que sejam conhecidas
as probabilidades condicionais P(B|Ai). Teremos então que,

P (Ai∩B ) P (Ai ).P(B|Ai)

P (Ai | B )= = (3.7)
P(B) P (A1 ).P(B|A1)+P (A2 ).P(B|A2)+…+P (An ).P(B|An)

O resultado apresentado em (3.7) é de extrema importância, pois, faz relação entre as

probabilidades a priori P (Ai ) e as probabilidades a posteriori P(Ai|B). A equação (3.7) é
conhecida como Teorema de Bayes e, segundo Meyer (2017), ele também é conhecido
como fórmula da probabilidade das “causas” (ou dos “antecedentes”). A Figura 3.1
apresenta um esquema de espaço amostral com partições, no caso, representadas por
Bi, i=1,2,…,n e, um evento A composto por partes dos eventos Bi. O Teorema de Bayes é

utilizado para encontrar probabilidades de ocorrências das partições do espaço

amostral.
 Figura 3.1 – Esquema de espaço amostral com partições para uso do Teorema de
Bayes.
Fonte: Wikimedia Commons/ Jorge Guerra Pires.

Exemplo 7. Em uma fábrica de parafusos, as máquinas A, B e C produzem 25%, 35% e

40% do total, respectivamente. Da produção de cada máquina 5%, 4% e 2%,
respectivamente, são parafusos defeituosos. Escolhe-se ao acaso um parafuso e
veri ca-se que é defeituoso (BUSSAB; MORETTIN, 2017). Qual a probabilidade de que o
parafuso venha da máquina A; da B; e da C?

Para dar início à resolução, vamos anotar as informações que o problema fornece. Em
termos de probabilidade, podemos a rmar que a produção dos parafusos entre as
máquinas se apresenta da seguinte maneira: P(A)=0,25, P(B)=0,35, P(C)=0,40, que podem
ser consideradas as partições do espaço amostral do experimento. Considerando o
percentual de produção de parafusos defeituosos, em termos de probabilidade
condicional, podemos apresentar as informações, considerando o evento
D={parafuso defeituoso}, como segue: P(D | A)=0,05, P(D | B)=0,04 e P(D | C)=0,02.

Deseja-se saber a probabilidade de que, um parafuso sorteado ao acaso tenha sido

produzido em cada uma das máquinas da indústria. Para isso, vamos utilizar o
Teorema de Bayes, como segue.

Primeiro, vamos encontrar a probabilidade de o parafuso ter sido produzido pela

máquina A.

P(A).P(D|A)
P(A | D)=
P(A).P(D | A)+P(B).P(D | B)+P(C).P(D|C)

(0,25).(0,05)
P(A | D)=
(0,25).(0,05)+(0,35).(0,04)+(0,40).(0,02)
 0,0125
P(A | D)= =0,3623
0,0345

Portanto, a probabilidade de o parafuso sorteado ter sido produzido pela máquina A é

igual a 0,3623 ou, a chance de ter ocorrido assim é de 36,23%, aproximadamente.
Vamos agora calcular a probabilidade de ter sido a máquina B a produtora do parafuso
defeituoso, como segue.

P(B).P(D|B)
P(B | D)=
P(A).P(D | A)+P(B).P(D | B)+P(C).P(D|C)

(0,35).(0,04)
P(B | D)=
(0,25).(0,05)+(0,35).(0,04)+(0,40).(0,02)

0,014
P(B | D)= =0,4057
0,0345

Portanto, a probabilidade de o parafuso sorteado ter sido produzido pela máquina B é

igual a 0,4057 ou, em chances de, aproximadamente de 40,57%.

En m, vamos calcular a probabilidade de o parafuso sorteado ter sido produzido pela

máquina C.

P(C).P(D|C)
P(C | D)=
P(A).P(D | A)+P(B).P(D | B)+P(C).P(D|C)

(0,40).(0,02)
P(B | D)=
(0,25).(0,05)+(0,35).(0,04)+(0,40).(0,02)

0,008
P(C | D)= =0,2318
0,0345

Então, a probabilidade de o parafuso sorteado ter sido produzido pela máquina C é

igual a 0,2318, ou, em termos de chances igual a 23,18%.

praticar
Vamos Praticar
Muitos são os termos e de nições associados com a probabilidade. Sabemos que, muitas
pesquisas, tanto acadêmicas quanto corporativas, ou até mesmo, pessoais, fazem uso de
cálculos probabilísticos para apresentar a possibilidade de ocorrência de algum evento de
interesse. Quando se atualiza uma probabilidade com uso do Teorema de Bayes atribui-se a
este novo cálculo um nome. Qual o nome dado à probabilidade atualizada pelo Teorema de
Bayes?

Assinale a alternativa CORRETA.

a) Probabilidade a priori.

b) Probabilidade condicional.

c) Chance de ocorrência.

d) Probabilidade a posteriori.

e) Probabilidade certa.
Variável Aleatória

Em todas as áreas de pesquisa, como as ciências sociais, a saúde e as engenharias,

existe necessidade contínua de tomada de decisão. No entanto, praticar tal ato nem
sempre é tão simples, dada a di culdade com que se lida com grande variabilidade e
incerteza dos acontecimentos. Nessas horas que se pode contar com a Estatística como
ferramenta para tratamento da variabilidade de forma adequada a m de quanti car
as incertezas por intermédio dos cálculos probabilísticos (SIQUEIRA; TIBÚRCIO, 2011).

A variabilidade inerente nos fenômenos estudados e de interesses especí cos pode ser
estudada pelo conceito de variável aleatória, a qual exige que o seu comportamento
seja estudado com tratamento probabilístico (SIQUEIRA; TIBÚRCIO, 2011). As autoras
exempli cam utilizando o peso de “crianças de mesma idade, mesmo sexo, mesma
classe socioeconômica, mesma raça, avaliadas quanto ao peso” (SIQUEIRA; TIBÚRCIO,
2011, p. 189).

O peso das crianças, utilizado para exempli car, pode variar mesmo tendo as crianças,
características muito semelhantes. Até a mesma criança medida em momentos
diferentes pode apresentar peso variável. Siqueira e Tibúrcio (2011, p. 189) a rmam
que “a palavra aleatória indica aqui apenas que o peso está sujeito à variabilidade e
exige para seu estudo o conhecimento de seus valores possíveis e da respectiva
frequência”.

“Valores possíveis e frequência são duas informações que identi cam a distribuição de
probabilidade da variável aleatória” (SIQUEIRA; TIBÚRCIO, 2011, p. 190). De maneira um
pouco mais formal podemos, agora, apresentar conceitos e de nições de variável
aleatória.
De nição 2. Seja um experimento com espaço amostral S. Uma função X, que faz
associação de cada elemento do espaço amostral (s∈S) com um número real X(s) é
denominada de variável aleatória. Com isso, pode-se a rmar que uma variável aleatória
é uma medida numérica cujo valor pode variar a cada repetição do experimento
(MEYER, 2017).

O que a de nição 2 a rma é que, mesmo que o espaço amostral não seja composto
por número, sempre haverá uma forma de representar esse resultado de forma
numérica, através de uma variável aleatória. O mesmo vale para pontos amostrais
numéricos. Por exemplo, considerando a produção de um produto, a inspeção de sua
nalização poderia atribuir resultados de “não defeituoso” ou “defeituoso”. No entanto,
é possível atribuir a esses resultados não numéricos o valor 0 para representar um item
defeituoso e o valor 1 para um não defeituoso, por exemplo. “Em algumas situações, o
resultado s do espaço amostral já constitui a características numérica que desejamos
registrar” (MEYER, 2017, p. 67).

Exemplo 8. Suponha que duas moedas honestas são lançadas. Conforme já visto,
sabemos que o espaço amostral associado é composto de
S={(cara,cara),(cara, coroa),(coroa,cara),(coroa,coroa)}. É possível de nir uma variável aleatória
como sendo “o número de caras observadas”. Para isso, vamos representar a variável
ˊ
aleatória como X=numero de caras observadas. A partir desta de nição de X poderemos
atribuir valores numéricos a cada ponto amostral do experimento como, X({cara,cara})=2,
X({cara,coroa})=1, X({coroa,cara})=1 e X({coroa,coroa})=0. Como é possível observar, diferentes
“valores” do espaço amostral podem levar ao mesmo valor da variável aleatória
(MEYER, 2017).

Variável Aleatória Discreta

Em termos práticos, não é possível conhecer, a priori, o valor de uma variável. É por
isso dado o nome de variável aleatória. No entanto, para estudar a variável aleatória é
necessário identi car os valores que ela pode assumir, assim como, a frequência de
ocorrência de cada um dos possíveis valores, ou seja, é necessário identi car a
distribuição de probabilidades da variável aleatória, o modelo probabilístico que vai
caracterizá-la (SIQUEIRA; TIBÚRCIO, 2011).

Uma variável para ser caracterizada como discreta tem que assumir valores em um
conjunto enumerável, nito ou in nito, que possam estar associados a um processo de
contagem. Por exemplo, considere que a variável aleatória X seja o número de compras
no cartão de crédito em um mês qualquer. No caso, os valores possíveis para a variável
serão x=0,1,2, etc.
 É possível associar a cada valor da variável aleatória uma medida de probabilidade de
ocorrência (BUSSAB; MORETTIN, 2017). Podemos a rmar que os valores gerados pela
variável aleatória são uma função do espaço amostral, ou seja, é uma função X de nida
no espaço amostral S., tendo seus valores em um conjunto que pode ser enumerável.
Este conceito trata-se de variável aleatória discreta.

praticar
Vamos Praticar
Um casal recém-casados pretende ao longo da vida ter dois lhos. Para tentar descobrir os
possíveis cenários com esse desejo e a possibilidade de ocorrência criaram uma variável
aleatória para representar o número de lhos do sexo masculino. Portanto, criaram a variável
ˊ
aleatória X= {numero de filhos do sexo masculino }. Considerando o cenário, pergunta-se, qual o
conjunto de possíveis valores da variável X?

a) X={0}.

b) X={0, 1}.

c) X={0, 1, 2}.

d) X={1}.

e) X={3}.
Distribuição de Variável
Aleatória Discreta

A respeito da função de probabilidade, podemos destacar as seguintes características

(ROSS, 2010):

1. A função discreta de probabilidade p (xi ) é positiva para, no máximo, uma

determinada quantidade contável de valores xi. Isto é, a variável aleatória X
deve assumir os valores x1,x2,…, então
p (xi )≥0, para i=1,2,…
p (xi )=0, para todos os demais valores de X.
2. A função de probabilidades é comumente apresentada em forma grá ca,
desenhada em um plano cartesiano onde, no eixo vertical ou ordenadas são
apresentados os valores de probabilidades p (xi ) em função dos valores de xi,
estes apresentados no eixo horizontal ou de abscissas. Outra forma de
apresentação bastante comum, é a forma tabular ou em tabelas.
3. A soma das probabilidades p (xi ), i=1,2,… igual a 1.

Exemplo 9. Voltemos ao Exemplo 8 onde consistia do experimento de lançar duas

moedas honestas. Vimos que se de nirmos a variável aleatória X como o número de
caras observadas em cada lançamento (resultado possível), obteríamos os valores 0, 1 e
2, ou seja, X={0, 1, 2}. Podemos apresentar os resultados do experimento em uma tabela
da seguinte maneira.
Tabela 3.2 – Distribuição do número de caras no lançamento de duas moedas honestas.
Fonte: elaboração do autor.

De forma resumida, a distribuição de probabilidades da variável aleatória pode ser

apresentada conforme a Tabela 3.3.

Tabela 3.3 – Distribuição do número de caras no lançamento de duas moedas honestas.

Fonte: elaboração do autor

É possível de nir, também, função de distribuição acumulada de uma variável aleatória.

De nição 4. Função de distribuição acumula de uma variável aleatória X é a função

dada por

n
F(x)=P(X≤x)=∑i=1 p (xi ) (3.8)

Ou seja, a função de distribuição acumulada em um determinado valor x é dada pela

soma das probabilidades em todos os pontos menores ou iguais a x (MONTGOMERY,
RUNGER; HUBELE, 2014).

Exemplo 10. Considerando o Exemplo 9, a partir da de nição de função de distribuição

acumulada podemos obter a seguinte tabela.

Tabela 3.4 – Distribuição do número de caras no lançamento de duas moedas honestas.

Fonte: elaboração do autor

Valor esperado e variância de uma variável

aleatória discreta
A média e a variância são, respectivamente, medidas resumos de tendência central e de
variabilidade de um conjunto de dados. Também, podem ser medidas representativas
dos modelos probabilísticos teóricos, ou seja, podem, também, representar
distribuições de probabilidades.

De nição 5. Considere que os possíveis valores de uma variável aleatória X possam ser
representados por x1,x2,…,xn. Seja f(x) a função de probabilidade de X. Então, f (xi )=P (X=xi )
(MONTGOMERY, 2014). O valor esperado, também conhecido como média, de uma
variável aleatória discreta X, denotado por E(X) é dado por

n
E(X)=∑i=1 xiP (X=xi ) (3.9)

A medida de variância da variável aleatória X, denotada por Var(X) é

n
Var(X)=∑i=1 x2P (X=xi )−[E(X)]2 (3.10)
i

A medida de desvio padrão da variável aleatória X é dada por

 DP(X)=√Var(X) (3.11)

Exemplo 11. Considerando o experimento do lançamento de duas moedas honestas,

apresentado nos exemplos anteriores, vamos calcular para a distribuição de
probabilidades o valor esperado (média), a variância e o desvio padrão.

Vamos resgatar a Tabela 3.3, apresentada a seguir, acrescentando algumas colunas

para facilitar a obtenção das medidas.

Tabela 3.5 – Distribuição de probabilidades do número de caras no lançamento de duas

moedas.
Fonte: elaboração do autor.

Observe que a terceira coluna da Tabela 3.5 permite a obtenção do valor esperado da
variável aleatória X que representa o número de caras obtidas no lançamento das duas
moedas, que é E(X)=1,00. No entanto, é possível replicar o cálculo com o uso de
somatório, como segue.

3
E(X)=∑i=1 xiP (X=xi )=x1.P (X=x1 )+x2.P (X=x2 )+x3.P (X=x3 )

E(X)=0.(0,25)+1.(0,50)+2.(0,25)=1

Vamos obter a variância, conforme a seguir.

n
Var(X)=∑i=1 x2P (X=xi )−[E(X)]2
i

Var(X)=x2.P (X=x1 )+x2.P (X=x2 )+x2.P (X=x3 )−[E(X)]2

1 2 3

Var(X)=0.(0,25)+1.(0,50)+4.(0,25)−[1]2
 Var(X)=1,5−1=0,5

O desvio padrão é a raiz positiva da variância, dada por

DP(X)=√0,5=0,7071

Existem diversos modelos probabilísticos para variáveis aleatórias discretas, pois,

muitas variáveis, segundo Bussab e Morettin (2017, p. 150) “adaptam-se muito bem a
uma série de problemas práticos. Portanto, um estudo pormenorizado dessas variáveis
é de grande importância para a construção de modelos probabilísticos”. Alguns deles
serão apresentados a você neste texto.

Distribuição de Bernoulli
São modelos probabilísticos apropriados para modelar experimentos aleatórios com
dois possíveis resultados. Por exemplo, o lançamento de uma moeda, que pode
resultar na face “cara” ou não, ocorrendo a face “coroa”, obviamente. Uma peça
escolhida ao acaso de um lote produzido pode ser classi cada como defeituosa ou não
e, experimentos semelhantes. Os resultados de interesse são denominados de forma
genérica como “sucesso” e, os resultados que não interessam são “fracasso”.

De nição 6. Uma variável aleatória X que assume apenas valores 0 e 1 (BUSSAB;

MORETTIN, 2017), com função de probabilidade dada por (x,p(x)), tal que:

p(0)=P(X=0)=q=1−p
,

p(1)=P(X=1)=p
,

É chamada de variável aleatória de Bernoulli. Outras características como valor

esperado, variância e função de distribuição acumulada, são dadas conforme segue.

Valor esperado: E(X)=p;

Variância: Var(X)=p(1−p);

0, se x<0
Função de distribuição acumulada: F(x)= 1−p, se 0≤x<1
{
1, se x≥1

Exemplo 12. Considere o experimento de lançar um dado honesto. Suponha que você
esteja realizando o experimento e tem interesse em observar a face 5 do dado
(BUSSAB; MORETTIN, 2017). Portanto, a variável aleatória associada ao seu experimento
 ˆ
será de nida como X={ocorrencia da face 5 do dado }. Você pode atribuir valor 1 para a
variável quando ocorrer a face 5 e, valor 0 quando não ocorrer.

Assumindo que o dado seja perfeito, podemos atribuir as seguintes probabilidades de

ocorrência P(X=0)=5/6 e P(X=1)=1/6. Para obter essas medidas de probabilidade, lembre-
se que no lançamento de um dado é possível ocorrer seis resultados, pois, o mesmo
tem seis faces. Como é um dado honesto, a chance de ocorrência das faces é igual, ou
seja, 1/6 para cada face. Como cinco delas são diferentes da face 5, onde a variável
aleatória X assume valor 0, conclui-se que, P(X=0)=5/6. Quando a variável aleatória X
assume valor 1, indica que ocorre a face 5 e, como o dado é honesto, a chance de
ocorrência da face 5 do dado é de 1/6.

Podemos obter o valor esperado para a variável aleatória e, também a sua variância,
como segue.

1 1 15 5
E(X)=P(X=1)=p=1/6 e Var(X)=p(1−p)= 1− = . =
6 ( 6 ) 6 6 36

praticar
Vamos Praticar
O valor esperado de uma variável aleatória de um modelo probabilístico descreve
características importantes a respeito do fenômeno estudado. O valor esperado de uma
variável aleatória de um experimento de Bernoulli é dado por um determinado componente
da distribuição de probabilidade. Qual o nome do elemento que corresponde ao valor
esperado de uma variável aleatória com distribuição de Bernoulli?

a) Probabilidade de sucesso.

b) Probabilidade de falha.

c) Número de sucessos.

d) Número de fracassos.

e) Média dos dados.

Distribuição Binomial

Trata-se da repetição n vezes de um experimento de Bernoulli sob as mesmas

condições e com as seguintes características (SIQUEIRA; TIBÚRCIO, 2011):

1. Cada repetição do experimento produz unicamente dois resultados possíveis

que, em geral, são denominados de sucesso (S) e fracasso (F).
2. A probabilidade de sucesso P(S)=p permanece constante em cada repetição do
experimento. Isso faz com que o resultado de uma realização do experimento
não inter ra no resultado de outra realização, ou seja, as realizações,
chamadas eventos, são independentes.

O interesse quando se utiliza esse modelo probabilístico é unicamente saber o número

total de sucessos sem se importar com a ordem em que eles ocorrem ao longo das
repetições do experimento de Bernoulli. Portanto, podemos designar a variável
aleatória X com distribuição Binomial como o número total de sucessos em n ensaios
de Bernoulli, com probabilidade de sucesso p, sendo que 0<p<1.

Com a de nição de X é possível identi car que seus possíveis valores serão 0,1,2,…,n. Os
pares ordenados (p,p(x)), em que p(x)=P(X=x) compõem a chamada distribuição binomial
e, o total de repetições de um experimento de Bernoulli é chamado de experimento
binomial (BUSSAB; MORETTIN, 2017).

De nição 7. A variável aleatória X (conjunto de valores numéricos associados aos

elementos de um espaço amostral) que corresponde ao número total de sucessos em
um experimento binominal tem função de probabilidade dada por
 n
P(X=x)= ( )px (1−p)n−x, x=0,1,…n
x

Onde,

n!
n
( x )=x!(n−x)!

Que é conhecido como coe ciente binomial e símbolo “!” representa o cálculo fatorial,
que é de nido como o produto dos inteiros positivos inferiores ao número fatorial
calculado. Por exemplo, 3! (lê-se três fatorial) é dado pelo produto 3.2.1.=6 (BUSSAB;
MORETTIN, 2017). Portanto, 3!=6.

O valor esperado e a variância de uma variável aleatória X com distribuição Binomial

são dados por:

E(X)=np

Var(X)=npq

Segundo Montgomery (2017, p. 58),

a distribuição binomial é usada frequentemente na engenharia da qualidade.

Ela é o modelo probabilístico apropriado para amostragem de uma
população in nitamente grande, em que p representa a fração de itens
defeituosos ou não conformes na população.

Exemplo 13. Cada amostra de ar tem 10% de chance de conter uma certa molécula
rara. Considere que as amostras sejam independentes em relação a essa molécula
rara. Determinar a probabilidade de que, em uma amostra de n=18 amostras
analisadas, exatamente 2 duas contenham a molécula rara (MONTGOMERY, RUNGER E
HUBELE, 2014).

Para encontrar a probabilidade desejada, precisamos determinar a variável aleatória.

Então, seja X o número de amostras de ar que contenham a molécula rara. É possível,
também, identi car que a probabilidade de sucesso é dada por p=0,1. Portanto,

18
P(X=2)= (0,1)2(1−0,1)16
(2 )

18!
P(X=2)= .(0,01).(0,185302)
2!(18−2)!

P(X=2)=(153).(0,01).(0,185302)=0,2835
Portanto, a probabilidade de duas amostras conterem a molécula rara é 0,2835. Em
termos percentuais, podemos representar como 28,35%.

Suponha ainda que desejamos encontrar outra probabilidade associada a este mesmo
experimento das moléculas raras. Desejamos determinar a probabilidade de que, no
mínimo, 4 amostras contenham a molécula rara. Como podemos encontrar essa
probabilidade? Precisamos recorrer a um conceito básico de probabilidade chamado de
complementar. Bem, vamos apresentar a resolução!

18 18
x 18−x
P(X≥4)= ∑ x=4 (0,1) (1−0,1) , x=4,5,6,…,18.
(x )

Perceba que, realizar o cálculo de forma direta como apresentado acima, torna-se
extremamente maçante e cansativo e, a chance de cometermos algum erro na
resolução é grande. Portanto, podemos recorrer a uma propriedade básica de
probabilidade chamada complementar. Veja como a resolução cará muito mais fácil.

A propriedade do complementar a rma que se um evento A de um espaço amostral S

tiver probabilidade de ocorrência P(A)=p, então, o seu evento complementar Ac,
também associado ao mesmo espaço amostral S, terá probabilidade de ocorrência
dada por P (Ac )=1−P(A). Com essa informação conhecida, podemos, então, calcular a
probabilidade procurada da seguinte maneira.

3 18
P(X≥4)=1−∑x=0 (0,1)x(1−0,1)n−x, x=0,1,2,3
(x )

18 18 18 18
0 18 1 17 2 16 3 15
P(X≥4)=1− { ( (0,1) (0,9) + (0,1) (0,9) + (0,1) (0,9) + ( 3 )(0,1) (0,9) }
0 ) (1 ) (2 )

18! 18! 18!

P(X≥4)=1− .1.(0,9)18+ .(0,1).(0,9)17+ .(0,1)2.(0,9)15
{0!(18−0)! 1!(18−1)! 2!(18−2)! }

P(X≥4)=1−{0,15009+0,30018+0,28351+0,16800}

P(X≥4)=1−0,90178=0,09822

Portanto, a probabilidade de encontrar a molécula rara em, pelo menos, quatro

amostras, é igual a 0,09822 ou 9,822%. Outra possibilidade, pode ser que estejamos
interessados em encontrar a probabilidade de uma quantidade de amostras dentro de
um determinado valor de intervalo. Considerando esta situação, vamos calcular a
probabilidade uma quantidade de amostras entre 3 (inclusive) e 7(exclusive) conter a
molécula particular. A probabilidade, então, é dada por

P(3≤X<7)=P(X=3)+P(X=4)+P(X=5)+P(X=6)
Usando a fórmula da distribuição binominal para cada valor da variável aleatória,
teremos

18! 18! 18! 18!

P(3<X≤7)= .(0,1)3.(0,9)15+ .(0,1)4.(0,9)14+ .(0,1)5.(0,9)13+ .(0,1)6.(0,9)12
3!(18−3)! 4!(18−4)! 5!(18−5)! 6!(18−6)!

P(3≤X<7)=0,168+0,07+0,02177+0,0052

P(3≤X<7)=0,264

reflita
Re ita
Classi cação do tipo sanguíneo. Sabemos que existe a classi cação
dos grupos sanguíneos em A, B, AB e O. No entanto, também, há a
subdivisão de acordo uma substância denominada fator Rhesus
(conhecido como fator Rh), o qual classi ca como positivo (Rh+) ou
negativo (Rh-). Em situações de transfusão de sangue podem ocorrer
incompatibilidades. Para exempli car, considere que um indivíduo Rh
negativo só deve receber transfusão de sangue de outros indivíduos
Rh negativos. Se receber sangue Rh positivo, ocorrerá que sua
sensibilização e a formação de anticorpos Anti-Rh. Também, pode
ocorrer incompatibilidade Rh entre o sangue materno e o fetal. Cerca
de 85% da população são de fator Rh positivo, enquanto que o
restante, 15% são fator Rh negativo. Em uma situação pode-se de nir
uma variável aleatória que de ne o número de pacientes Rh negativo
em três transplantes. Partindo das informações dadas, é possível
calcular as probabilidades dos possíveis valores da variável aleatória
de nida a partir de experimentos binomiais.

Fonte: Siqueira e Tibúrcio (2011, p. 198).

E, para nalizar vamos calcular o valor esperado e a variância da variável aleatória

binomial, como segue.

E(X)=np=(18).(0,1)=1,8

Var(X)=np(1−p)=(18).(0,1).(1−0,1)=(18).(0,1).(0,9)=1,62
 Como dito antes, existem diversos modelos probabilísticos para variáveis aleatórias
discretas. Foram apresentados neste texto, apenas dois modelos. No entanto, também,
foram apresentadas diversas referências bibliográ cas, onde, muitas delas estão
acessíveis no seu portal de aluno, na biblioteca virtual. Portanto, não deixe de buscar
mais conhecimento e mais informações a respeito das distribuições de probabilidades.

praticar
Vamos Praticar
Umas das propriedades de probabilidade extremamente úteis nos cálculos de modelos
probabilísticos é a propriedade do complementar. No entanto, é preciso lembrar que ela só é
válida para eventos associados ao mesmo espaço amostral. Por exemplo, se um determinado
evento A tem probabilidade de ocorrência igual a 0,347, qual a probabilidade de não
ocorrência desse evento? Ou seja, qual a probabilidade do seu complementar?

Assinale a alternativa CORRETA.

a) P ( Ac )=0,643.
c
b) P (A )=0,653.

c) P (Ac )=0,347.

d) P (Ac )=0,663.

e) P (Ac )=0,0.
indicações
Material
Complementar

LIVRO

Estatística na área da saúde: conceitos,

metodologia, aplicações e prática computacional
Arminda Lucia Siqueira e Jacqueline Domingues Tibúrcio

Editora: Coopmed

ISBN: 978-85-7825-037-9

Comentário: O livro é bastante aplicado, apresenta exemplos

reais na área da saúde e, também, tem muitos exemplos
computacionais em MS Excel, EPI-INFO e R. Para quem quiser
aprender como implementar dados em programas
computacionais, este livro é uma forte indicação, além é claro,
do que já foi dito, apresenta muitas aplicações reais.
 FILME

Quebrando a banca
Ano: 2008

Comentário: O lme mostra um pouco da história de um

aluno do Instituto Tecnológico de Massachusetts (MIT). Ele é
convidado por seu professor de matemática e estatística a
compor um grupo de jogadores para frequentar os cassinos
de Las Vegas e, tentar, com que esses cassinos venham à
falência.

Para conhecer mais sobre o lme, acesse o trailer disponível.

TRAILER
conclusão
Conclusão

Este texto apresentou conceitos fundamentais e básicos sobre a teoria das

probabilidades. Apresentou, também, o conceito de variável aleatória, assim como,
suas principais características, especi camente, características de variáveis aleatórias
discretas.

Foram apresentados, também, dois modelos probabilísticos apropriados para variáveis

aleatórias discretas. Diversos exemplos foram apresentados ao longo do texto para
que o aluno pudesse observar as possíveis aplicações da teoria apresentada.

Certamente que o assunto não se esgota com este texto. Esperamos que o aluno
busque bibliogra a complementar para observar e ver a in nitude do que se tem
disponível sobre o tema.

Desejamos que você possa ter tido bons momentos de aprendizagem!

referências
Referências
Bibliográ cas

BUSSAB, W.O.; MORETTIN, P.A. Estatística básica. 9. Ed. São Paulo: Saraiva, 2017.

FONSECA, J.S.; ANDRADE, G. Curso de estatística. 6. Ed. São Paulo: Atlas, 1996.

MEYER, P.L. Probabilidade: aplicações à estatística. Rio de Janeiro: LTC, 2017.

MONTGOMERY, D.C. Introdução ao controle estatístico da qualidade. 7. Ed. Rio de

Janeiro: LTC, 2017.
MONTGOMERY, D.C.; RUNGER, G.C.; HUBELE, N.F. Estatística aplicada à engenharia.
2. Ed. Rio de Janeiro: LTC, 2014.

ROSS, S. Probabilidade: um curso moderno com aplicações. 8. Ed. Porto Alegre:

Bookman, 2010.

SIQUEIRA, A.L.; TIBÚRCIO, J.D. Estatística na área da saúde: conceitos, metodologia,

aplicações e prática computacional. Belo Horizonte: Coopmed, 2011.