3 - VARIÁVEIS ALEATÓRIAS

Ao descrever um espaço amostral de um experimento, não especificamos que

um resultado individual necessariamente seja um número. Por exemplo, ao descrever
uma peça manufaturada, podemos empregar apenas as categorias “defeituosa” e
“não defeituosa”. Também, ao observar a temperatura durante o período de 24 horas,
podemos simplesmente registrar a curva traçada pelo termógrafo. Contudo, em muitas
situações experimentais, estaremos interessados na mensuração de alguma coisa e
no seu registro como um número. Mesmo nos casos mencionados acima, poderemos
atribuir um número a cada resultado (não numérico) do experimento. Por exemplo,
poderemos atribuir o valor 1 (um) às peças perfeitas e o valor 0 (zero) às defeituosas.
Poderemos registrar a temperatura máxima do dia, ou a temperatura mínima, ou a
média das temperaturas máxima e mínima.

Consideremos um experimento aleatório , e seja S o espaço amostral associado a

este experimento.

3.1 - DEFINIÇÃO: Variável aleatória (de modo abreviado: v.a.) num espaço amostral
S, é uma função X, que associa S, (isto é, a cada s  S), um número real, X(s).

S RX
X

s X(s)

Ex.1: Consideremos o experimento aleatório: extraem-se duas bolas, sem reposição,

de uma urna que contém: 2 bolas brancas (B) e 3 vermelhas (V). Vamos definir a v.a.
X como: X = “o nº de bolas vermelhas obtidas nas duas extrações”. Portanto os
valores possíveis que a v.a. X pode assumir são:
X = 0, se ocorre o evento “BB”, (duas bolas brancas)
X = 1, se ocorre o evento: “VB” ou “BV” (vermelha e branca ou branca e vermelha)
X = 2, se ocorre o evento: “V V” (duas bolas vermelhas)

3.2 - TIPOS DE VARIÁVEIS

As variáveis aleatórias podem ser de dois tipos: discretas ou contínuas. Uma v.a. é
dita discreta quando ela assume somente valores num conjunto enumerável de pontos
do conjunto real. Ela é uma v.a. contínua se for do tipo que pode assumir qualquer
valor em um intervalo real.

3.2.1 VARIÁVEIS ALEATÓRIAS DISCRETAS

Seja X uma variável aleatória. Se o número de valores possíveis de X (isto é, Rx, o
contradomínio) for finito ou infinito numerável, denominamos X de variável aleatória
discreta. Isto é, os valores possíveis de X, podem ser postos em lista como
x1, x2 , x3 , ..., xn

Distribuição de Probabilidade da Variável Aleatória

Seja X uma v.a. definida num espaço amostral S, tal que X(S) = {x1 , x2 , x3 , ..., xn }
Podemos definir a probabilidade da v.a. X assumir o valor xi (i = 1, 2, ..., n), a qual
escreve-se P(X = xi ) ou f( xi ). Esta função f, que a cada xi do conjunto X(S), (os
valores possíveis que a variável aleatória X pode assumir), associa sua probabilidade
de ocorrência, é chamada de DISTRIBUIÇÃO (ou FUNÇÃO) DE PROBABILIDADE
DA V.A. X, e pode ser expressa por uma Tabela, um Gráfico ou uma Fórmula. Há
outras notações, usuais para P(X = xi ), por exemplo: pi ou P( xi ) ou P(X = x) ou P(x).
A distribuição dada por P(X = xi ), satisfaz as condições:
n
a) P( xi )  0 e b)  P( x i )  1
i 1

Ex.2: Consideremos uma urna com 3 bolas vermelhas e 2 brancas, de onde se

extraem sem reposição duas bolas. Tínhamos que a v.a. X foi definida como:
X = “nº de bolas vermelhas obtidas nas duas extrações”.
Portanto: X(S) = {0, 1, 2}. Construindo o diagrama da árvore teremos o seguinte:
RESULTADOS X PROBABILIDADES
BB 0 1/10
BV 1 3/10
VB 1 3/10
VV 2 3/10
 1
Portanto, temos: P(X = 0) = P(BB) = 1/10
P(X = 1) = P(BV ou VB) = 3/10 + 3/10 = 6/10
P(X = 2) = P(VV) = 3/10

Desta forma, a DISTRIBUIÇÃO DE PROBABILIDADE desta v.a. X, será:

X P(x)
0 1/10
1 6/10
2 3/10
 1

Ex.3: Consideremos o lançamento de uma moeda honesta duas vezes. Seja a v.a.
Y, definida como: Y = o nº de caras obtidas nos dois lançamentos  Y = {0, 1, 2}.
Portanto temos:
RESULTADOS Y PROBABILIDADES
CC 2 1/4
 CC 1 1/4
CC 1 1/4
C C 0 1/4
 1

Portanto: P(Y = 0) = P( C C ) = 1/4

P(Y = 1) = P(C C ou C C ) = 1/4 + 1/4 = 2/4
P(Y = 2) = P(C C) = 1/4

Desta forma, a DISTRIBUIÇÃO DE PROBABILIDADE desta v.a. Y, será:

x P(x)
0 1/4
1 2/4
2 1/4
 1

Assim, variável aleatória é uma função que associa a cada ponto de um espaço
amostral, um número real. A Tabela que associa a cada valor de uma variável
aleatória, a sua probabilidade, denominamos DISTRIBUIÇÃO (ou FUNÇÃO) DE
PROBABILIDADES DA VARIÁVEL ALEATÓRIA.

EXEMPLO: A DISTRIBUIÇÃO BINOMIAL

Definição: Considere um experimento  e seja algum evento associado a . Admita-se

que P(A) = p e consequentemente P(AC) = 1 - p. Considerem-se n repetições de .
Daí, o espaço amostral será formado por todas as sequências possíveis
{a1 , a2 , a3 , ..., an } onde cada ai é ou A ou AC, dependendo de que tenha ocorrido A ou
AC na i-ésima repetição de . (Existem 2n seqüências). Suponha-se que P(A) = p
permaneça a mesma para todas as repetições. A variável aleatória X será definida
como o nº de vezes que o evento A tenha ocorrido. Denominaremos X de variável
aleatória com parâmetros n e p. Seus possíveis valores são 0, 1, 2, ... , n. (Diremos
que X tem uma distribuição Binomial com parâmetros n e p).
As repetições individuais de  serão denominadas Provas de Bernouilli.

Teorema 1: Seja X uma variável binomial, baseada em n repetições. Então:

𝑛
𝑃(𝑋 = 𝑘 ) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 k = 0, 1, 2, ... , n.
𝑘
Demonstração: Considere-se um elemento do espaço amostral de  satisfazendo à
condição (𝑋 = 𝑘 ). Um resultado poderia ser, por exemplo, se nas primeiras k
repetições ocorresse A, enquanto nas últimas (n - k) ocorresse AC, isto é:
A A A... A A ACAC ... AC AC
(k vezes) (n-k vezes)
Como todas as repetições são independentes, a probabilidade desta sequência
será 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 . Essa mesma probabilidade seria associada a qualquer outro
resultado para o qual (𝑋 = 𝑘 ).
𝑛
O nº total de tais resultados é igual a ( ), porque deveremos escolher exatamente k
𝑘
posições (dentre n) para o evento A. Isto dá o resultado acima, porque esses
resultados são todos mutuamente excludentes.

Exemplo: Suponha que uma válvula eletrônica, instalada em determinado circuito,

tenha probabilidade 0,2 de funcionar mais do que 500 horas. Se testarmos 20 válvulas,
qual será a probabilidade de que delas, exatamente k, funcionem mais que 500 horas,
k = 0, 1, 2, ... , 20?
Solução: Seja X o número de válvulas que funcionem mais de 500 horas, admitiremos
20
que X tenha distribuição binomial. Então: 𝑃(𝑋 = 𝑘 ) = ( ) (0,2)𝑘 (0,8)20−𝑘
𝑘
Assim: P(X = 0) = 0,012 P(X = 4) = 0,218 P(X = 8) = 0,022
P(X = 1) = 0,058 P(X = 5) = 0,175 P(X = 9) = 0,007
P(X = 2) = 0,137 P(X = 6) = 0,109 P(X = 10) = 0,002
P(X = 3) = 0,205 P(X = 7) = 0,055 P(X = k)  0,001 para k  11

3.2.2 VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Suponha-se que o contradomínio de x seja formado por um número finito muito

grande de valores, digamos todos os valores de x no intervalo 0  x  1, da forma: 0;
0,01; 0,02; ... 0,98; 0,99; 1,00. A cada um desses valores está associado um número
não negativo p(xi) = P(X = xi), i = 1, 2, ..., cuja soma é igual a 1. Esta observação está
representada geometricamente na Figura 7. Poderia ser matematicamente mais fácil
idealizar a apresentação probabilística de X, pela suposição de que X pudesse tomar
todos os valores possíveis, 0  x  1. Se fizermos isso, o que acontecerá às
probabilidades no ponto p(xi)? Como os valores possíveis de X não são numeráveis,
não podemos realmente falar do i-ésimo valor de X, e, por isso, p(xi) se torna sem
sentido. O que faremos é substituir a função p definida somente para x1, x2,... por uma
função f definida para todos os valores de x, 0  x  1.

Função Densidade de Probabilidade (f.d.p.)

Seja X uma v.a. contínua. A função densidade de probabilidade 𝑓(𝑥) é uma função
que satisfaz as seguintes condições:
a) 𝑓(𝑥) ≥ 0 para todo 𝑥 ∈ 𝑅𝑋
b) ∫𝑅 𝑓(𝑥) 𝑑𝑥 = 1
𝑋
𝑏
c) Além disso, definimos, para qualquer a < b em 𝑅𝑋 , 𝑎 < 𝑋 < 𝑏) = ∫𝑎 𝑓(𝑥) 𝑑𝑥
em que 𝑅𝑋 é o contradomínio de X.
Exemplo: Se f(x) = 2x, para 0  x < 1, e zero fora desse intervalo, vemos que f(x)  0,
qualquer que seja x, e a área sob o gráfico de f é unitária (ver Figura 8). Logo, a função
f pode representar a função densidade de uma variável aleatória contínua X.

Aqui, a P(0  X < 1/2) é igual à área do triângulo de base 1/2 e altura 1. Logo a
probabilidade em questão é P(0  X < 1/2) = 1/2.(1/2 . 1) = 1/4.

EXEMPLO: VARIÁVEL ALEATÓRIA UNIFORMEMENTE DISTRIBUÍDA

Definição: Suponha que X seja uma variável aleatória contínua que tome todos os
valores no intervalo [a, b], no qual a e b sejam ambos finitos. Se a f. d. p. de X for dada
por:
 1
 , se a  X  b,
f (x)  (b - a)
0, c.c.

diremos que X é uniformemente distribuída sobre o intervalo [a, b].

Obs.: Para qualquer subintervalo [c, d] onde a  c < d  b, P(c  X  d) é a mesma

para todos os subintervalos que tenham o mesmo comprimento. Isto é,
d d c
P(c  X  d )   f ( x)dx 
c ba
Exemplo: Um ponto é escolhido ao acaso no segmento de reta [0, 2]. Qual será a
probabilidade de que o ponto escolhido esteja entre 1 e 3/2 ?
Fazendo-se X representar a coordenada do ponto escolhido, temos que a f. d. p. de
X é dada por f(x) = 1/2, 0 < x < 2 e, portanto, P(1 X  3/2) = 1/4

4 FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA

Definição: Seja X uma variável aleatória, discreta ou contínua. Define-se uma função
F como a função de distribuição acumulada da variável aleatória X (f.d.) como F(x) =
P(X  x).
a) Se X for uma variável aleatória discreta: 𝐹(𝑥) = ∑𝑥𝑘≤𝑥 𝑝(𝑥𝑘 ), para todo xk  x
𝑥
b) Se X for uma variável aleatória contínua: 𝐹(𝑥) = ∫−∞ 𝑓(𝑠) 𝑑𝑠

Exemplos:
1 - Suponhamos que a variável aleatória X tome os três valores 0, 1 e 2, com
 0, 𝑠𝑒 𝑥 < 0;
1
, 𝑠𝑒 0 ≤ 𝑥 < 1;
3
probabilidades 1/3, 1/6 e 1/2, respectivamente. Então: 𝐹(𝑥) = 1
, 𝑠𝑒 1 ≤ 𝑥 < 2;
2
{ 1, ≥ 2

2 - Suponha que X seja uma variável aleatória contínua com f.d.p.:

2 x, se 0  x  1
f ( x)  
0, caso contrário

0, se X  0,
x
Portanto, a f.d.p. de F é dada por: F(x) =  2s ds  x 2 , se 0  X  1,

0

1, se X  1.
Obs.:
a) Se X for uma variável aleatória discreta, com um número finito de valores possíveis,
o gráfico da f.d. será constituído por segmentos de retas horizontais (nesse caso, a
f.d. se denomina função em degraus). A função F é contínua, exceto nos valores
possíveis de X: x1, x2 , ..., xn ... No valor xi o gráfico apresenta um ‘salto’ de magnitude
p( xi ) = P ( X  xi ) .

b) Se X for uma variável aleatória contínua, F será uma função contínua para todo x.

c) A função de distribuição F é definida para todos os valores de x.

Teorema 2:
a) A função F é não-decrescente. Isto é, se x1 < x2, teremos F(x1)< F(x2).

b) lim F ( x)  0 e lim F ( x)  1 [podemos escrever F(-) = 0 e F(+ ) = 1.]

x  - x  

Teorema 3:
a) Seja F a f.d. de uma variável aleatória contínua com f.d.p. f(x).
Então, f(x) = dF(x)/dx, para todo x no qual F seja derivável. [F’(x) = f(x)]

b) Seja X uma variável aleatória discreta com valores possíveis x1, x2, ... , e suponha
que x1 < x2 <... <... Seja F a f.d. de X. Então, p( xi ) = P(X = xi ) = F( xi ) - F( xi 1 ).

5. FUNÇÕES DE VARIÁVEIS ALEATÓRIAS

Eventos Equivalentes: Seja  um experimento, S um espaço amostral associado a  e

X uma variável aleatória definida em S. Suponha que y = H(x) seja uma função real
de x. Então, Y = H(X) é uma variável aleatória, porque para todo s  S, um valor de Y
fica determinado, y = H[X(s)].
 RX RY
S X
H

s X(s) = x H(x)= y

Definição: Seja C um evento (subconjunto) associado ao contra domínio RY, de Y.

Seja B  RX definido como: B = {x  RX: H(x)  C}
Isto é: B é o conjunto de todos os valores de X, tais que H(x)  C. Se B e C forem
assim definidos, são denominados eventos equivalentes.

Exemplo: Suponha-se que H(x) = x2. Então, os eventos B: {X > 2} e C: {Y > 4} são
equivalentes. Porque, se Y = x2, então {X > 2} ocorrerá se, e somente se, {Y > 4}
ocorrer.

Definição: Seja uma variável aleatória X definida no espaço amostral S. Seja R X o

contra domínio de X. Seja H uma função real e considere-se a variável aleatória Y =
H(X) com contra domínio RY. Para qualquer evento C  RY, definiremos P(C) assim:
P(C) = P{xRX: H(x)C} (I)
Isto é: a probabilidade de um evento associado ao contra domínio de Y é definida
como a probabilidade do evento equivalente (em termos de X).

Exemplo: Seja X uma variável aleatória com f.d.p. f(x) = e -X, x > 0.
Suponha-se que H(x) = 2x + 1. Portanto, RX = {x: x > 0}, enquanto RY = {y: y > 1}.
Suponha-se que o evento C seja definido como: C = {Y  5}. Então, y  5 se, e somente
se, 2x + 1  5, o que por sua vez acarreta x  2. Daí, C é equivalente a B = {X  2}.
Então P(X  2) =  e-X dx = 1/ e2. Aplicando-se (I) encontraremos P(Y  5) = 1/ e2.

a) VARIÁVEIS ALEATÓRIAS DISCRETAS

Caso 1: X é uma variável aleatória discreta. Se X for uma variável aleatória discreta e
Y = H(X), nesse caso Y será também uma variável aleatória discreta.
Exemplo 1: Suponha que a variável aleatória X tome os valores -1, 0 e 1, com
probabilidades 1/3, 1/2 e 1/6, respectivamente. Seja Y = 3X + 1. Nesse caso os valores
possíveis de Y são -2, 1 e 4, com probabilidades 1/3, 1/2 e 1/6.

Exemplo 2: Considere a mesma variável do ex. 1. Se Y = X2, os valores de Y são 0 e

1com probabilidades 1/2 e 1/2, porque Y = 1 se, e somente se, X = -1 ou X = 1 e a
probabilidade desse evento é 1/3 + 1/6 = 1/2.
Em termos de eventos: se B: {X =  1} e C: {Y = 1} são eventos equivalentes e pela
equação (I) tem iguais probabilidades.
Caso 2: X é uma variável aleatória contínua. Pode acontecer que X seja uma variável
aleatória contínua enquanto Y seja uma variável aleatória discreta. Por exemplo:
suponha que X possa tomar todos os valores reais, enquanto Y seja definido igual a
+1 se X  0, e Y = -1 se X < 0. Neste caso, Y = 1 se, e somente se, X  0, enquanto Y
= -1 se X < 0. Por isso, P(Y = 1) = P(X  0), enquanto P(Y = -1) = P(X < 0).

b) VARIÁVEIS ALEATÓRIAS CONTÍNUAS

X é uma v. a. contínua com f. d. p. f(x) e H é uma função contínua. Assim, Y = H(X)

será uma variável aleatória contínua e temos que encontrar sua f. d. p., que
denotaremos g(y).
Procedimento:
a) obter G, a função de distribuição de Y, na qual G(y) = P(Y  y), encontrando
o evento A (no contra domínio de X) o qual é equivalente ao evento {Y  y};
b) derivar G(y) em relação a y, para obter g(y);
c) determinar aqueles valores no contra domínio de Y, para os quais g(y) > 0.

6. CARACTERIZAÇÃO DE VARIÁVEIS ALEATÓRIAS

1 - Valor Esperado de uma Variável Aleatória

I - Definição: Seja X uma v. a. discreta, com valores x1, x2 , ..., xn ... Seja
p( xi )  P( X  xi ) . Então, o valor esperado de X (ou esperança matemática, ou valor
médio, ou expectância de X), E(X) é definido como E(X) =  xi p( xi )

Teorema 4: Seja X uma variável aleatória distribuída binomialmente, com parâmetro

p, baseada em n repetições de um experimento. Então E(X) = n.p.

II - Definição: Seja X uma variável aleatória com função de densidade de probabilidade

f(x). O valor esperado de X é definido como E(X) =  xf ( x)dx

Obs.: Pode acontecer que esta integral (imprópria) não convirja. Consequentemente,
E(X) existirá se, e somente se, xf(x) dx for finita.

Teorema 5: Seja X uma variável aleatória uniformemente distribuída sobre o intervalo

[a, b]. Nesse caso, E(X) = (a + b)/2.

2 - Esperança de uma Função de uma Variável Aleatória

Definição: Seja X uma variável aleatória e seja Y = H(X).

a) Se Y for uma variável aleatória discreta com valores possíveis y1 , y2 , ... , yn , e se
q(yi) =P(Y =yi), definirmos: E(Y) =  yi q(yi)
b) Se Y for uma variável aleatória contínua com função densidade de probabilidade
g(y) definimos: E(Y) =  yg(y)dy
Teorema 6: Seja X uma variável aleatória e seja Y = H(X).
a) Se X for uma variável aleatória discreta e p(xi ) = P(X = xi ) teremos:
E(Y) = E[H(X)] = H(x j) p(xj )
b) Se X for uma variável aleatória contínua com função densidade de
probabilidade f(x) teremos: E(Y) =  H(X) f(x)dx.

Propriedades:
1 - Se X = C, onde C é uma constante então E(X) = C.
2 - Suponha-se que C seja uma constante e X seja uma v. a. Então E(CX) = CE(X).
3 - Sejam X e Y duas variáveis aleatórias quaisquer. Então E(X + Y) = E(X) + E(Y)

3 - Variância de uma variável aleatória

Definição: Seja X uma variável aleatória. Definimos a variância de X, V(X) ou x2

como: V ( X )  E[ X  E ( X )]2  E ( X 2 )  [ E ( X )]2

Propriedades:
1 - A variância de uma constante é zero. Var(K) = E[(K – E(K))2] = E[(K – K)2] = 0

2 - Multiplicando-se uma v.a. por uma constante, sua variância fica multiplicada pelo
quadrado da constante. Var(KX) = K2.Var(X)

3 - Somando-se ou subtraindo-se uma constante a uma v.a., sua variância não se

altera. Var(X  K) = Var(X)  Var(K) = Var(X), pois Var(K) = 0

4 - A variância da soma ou diferença de duas v.a’s independentes, é a soma das

respectivas variâncias. Var(X  Y) = Var(X) + Var(Y), quando Cov(X,Y) = 0.

A raiz quadrada positiva de V(X) é denominada o desvio padrão de X, x.

Teorema 7:
i) Seja X uma variável aleatória distribuída binomialmente, com parâmetro p, baseada
em n repetições de um experimento. Então: 𝐸(𝑋) = 𝑛 × 𝑝 e 𝑉𝑎𝑟(𝑋) = 𝑛 × 𝑝 × (1 − 𝑝)

ii) Seja X uma variável aleatória uniformemente distribuída sobre o intervalo [a, b].
Nesse caso, 𝐸(𝑋) = (𝑎 + 𝑏)/2 × 𝑝 e 𝑉𝑎𝑟(𝑋) = (𝑏 − 𝑎)/12.