1

Ministério da Educação
Universidade Tecnológica Federal do Paraná/Campus Curitiba
Departamento Acadêmico de Matemática
Probabilidade e Estatística – Profª: Silvana Heidemann Rocha
Aluno(a): ___________________________________ Data: ___/___/____

VARIÁVEIS ALEATÓRIAS - Aula 09

• Variável aleatória (v.a.)

• Unidimensional
• Multidimensional (ou vetor aleatório)

• Função de distribuição (f.d.) de probabilidade de uma variável aleatória unidimensional

(ou função de distribuição acumulada)

• Propriedades da função de distribuição de probabilidades de uma v.a. unidimensional

• Tipos de variáveis aleatórias unidimensionais1
• Discretas
• Contínuas
• Mistas
• Singulares

• Variáveis aleatórias unidimensionais discretas

• Distribuição de probabilidades das variáveis aleatórias discretas
• Função de probabilidade (f.p.)
• Função de distribuição (f.d.)
• Esperança matemática e suas propriedades
• Variância e suas propriedades
• Principais modelos probabilísticos discretos

• Variáveis aleatórias unidimensionais contínuas

• Distribuição de probabilidades das variáveis aleatórias contínuas
• Função de distribuição (f.d.)
• Função densidade de probabilidade (f.d.p.)
• Esperança matemática
• Variância
• Principais modelos probabilísticos contínuos

• Desigualdade de Chebyshev
• Variáveis aleatórias multidimensionais (ou vetores aleatórios)
• Covariância
• Independência de variáveis aleatórias

• Vetores aleatórios discretos

• Distribuição de probabilidades conjunta de v.a.’s discretas
• Função de probabilidade conjunta
• Função de distribuição conjunta

• Vetores aleatórios contínuos

• Distribuição de probabilidades conjunta de v.a.’s contínuas
• Função de distribuição conjunta
• Função densidade de probabilidade conjunta

1
Neste curso só serão estudadas as v.a.’s discretas e as contínuas.
 2
1) Variável aleatória unidimensional (v.a.):

Definição: Uma variável aleatória X em um espaço de probabilidade (Ω, A, P ) é uma função definida
def
no espaço amostral Ω se e somente se [ X ≤ x ] = {ω ∈ Ω / X (ω ) ≤ x} é evento aleatório para todo

x ∈ R , isto é, X : Ω → R se e somente se [ X ≤ x] ∈ A, ∀ x ∈ R, onde A é uma sigma-

ω a x = X (ω )

álgebra de Ω .

Em diagrama, tem-se:
A
Ω X φ
[ X ≤ x]
M
[ X ≤ x]c
x = X (ϖ ) R M
ϖ Ω

2) Função de distribuição de probabilidades (f.d.) de uma v.a. X:

Definição: Seja X uma variável aleatória em um espaço de probabilidade (Ω, A, P ) . A função de
distribuição de probabilidades, ou mais simplesmente função de distribuição, de X, representada por

FX, é definida por FX ( x) = P([ X ≤ x]) = P( X ≤ x), ∀x ∈ R , isto é, FX : Rx → [0,1] .

a FX ( x)=P( X ≤ x)

3) Relação entre a v.a. X e a função de distribuição de X:

Em diagrama: FX

R
X A
Ω R
0
φ
M
M P ( X ≤ x ) = P ( ( −∞, x ] )
x = X (ϖ ) [ X ≤ x] M
ϖ M P( [ X ≤ x]C )
[ X ≤ x ]c
M M
Ω 1

Observação:
• A função de distribuição também é denominada função de distribuição acumulada.
 3
4) Propriedades da função de distribuição de uma v.a. unidimensional X:

FD1) x1 ≤ x 2 ⇒ FX ( x1 ) ≤ FX ( x 2 ), ∀ x1 , x 2 ∈ R , isto é, FX é não-decrescente2.

FD2) lim+ FX ( x) = FX ( x0 ) , isto é, FX é contínua à direita.3

x → x0

FD3) lim FX ( x) = 0 e lim FX ( x) = 1

x → −∞ x → +∞

Outras notações possíveis para lim FX ( x) = 0 e lim FX ( x) = 1 são:

x → −∞ x → +∞

• x ↓ −∞ ⇒ F X ( x) ↓ 0 e x ↑ +∞ ⇒ F X ( x ) ↑ 1 , onde

↑= converge crescentemente e ↓ = converge decrescentemente

• FX ( x)  → 0 e FX ( x) 
x → −∞
→1 ;
x → +∞

def def
• lim FX ( x) = FX (−∞) = 0 e lim FX ( x) = FX (+∞) = 1 .
x →−∞ x→ +∞

Corolário de FD3): 0 ≤ F X ( x ) ≤ 1 .

EXERCÍCIOS:
01) Considere o seguinte experimento aleatório:
ε: Lançar ao acaso e uma única vez uma moeda não viciada e observar a face superior.
Seja a variável X: Número de caras obtida em ε . X é uma variável aleatória? Justifique.

02) Considere o seguinte experimento aleatório:

ε: Medir o diâmetro de determinada peça fabricada por uma máquina.
Seja a variável X: Diâmetro de uma peça em ε . X é uma variável aleatória? Justifique.

2
Uma função f definida num intervalo I ⊆ R é:
• Estritamente crescente em I se ∀x1 , x2 ∈ I , x1 < x2 ⇒ f ( x1 ) < f ( x2 ) ;
• Estritamente decrescente em I se ∀x1 , x2 ∈ I , x1 < x2 ⇒ f ( x1 ) > f ( x2 ) ;
• Não-decrescente em I se ∀x1 , x2 ∈ I , x1 ≤ x2 ⇒ f ( x1 ) ≤ f ( x2 ) ;
• Não-crescente em I se ∀x1 , x2 ∈ I , x1 ≤ x2 ⇒ f ( x1 ) ≥ f ( x2 ) .
3
Uma função real f de uma variável livre real é contínua num ponto x0 se e somente se
lim + f ( x) = lim − f ( x) = f ( x0 ) .
x → x0 x → x0
 4
5) Tipos de variáveis aleatórias unidimensionais:

5.1) Variáveis aleatórias discretas:

Definição: A variável aleatória X é discreta se toma um número finito ou enumerável (infinito,
porém contável) de valores, isto é, se existe um conjunto finito {x1 , x 2 ,..., x n } ⊂ R tal que ∀ϖ ∈ Ω ,

X (ϖ ) ∈ {x1 , x 2 ,..., x n } ou se existe um conjunto enumerável {x1 , x2 ,...} ⊂ R tal que ∀ϖ ∈ Ω ,

X (ϖ ) ∈ {x1 , x 2 ,...}.

Resumidamente, tem-se:

X : Ω →{x , x ,...,x }⊂ R se e somente se [ X ≤ xi ] = {ϖ 1 ,ϖ 2 ,...,ϖ i −1 ,ϖ i }∈ A, i = 1,2,..., n.

1 2 n
ωi a xi = X (ωi )

ou

X : Ω → { x
1 , x 2 ,...} ⊂R se e somente se [ X ≤ x i ] ∈ A
ωi a x i = X (ω i )

Em diagrama, para um contradomínio enumerável:

A
Ω X
R
ω1 φ
ω2 x1 = X (ϖ 1 ) [ X ≤ x1 ] = {ϖ 1 }
x2 = X (ϖ 2 ) [ X ≤ x 2 ] = {ϖ 1 ,ϖ 2 }
M
ωi M M
xi = X (ϖ i ) [ X ≤ x i ] = {ϖ 1 , ϖ 2 ,...,ϖ i −1 ,ϖ i }
M
M M
Ω

5.1.a) Função de probabilidade (f.p.) de uma v.a. discreta X:

Definição: Seja X uma variável aleatória discreta em um espaço de probabilidade (Ω, A, P ) . A função
de probabilidade de X, denotada por P, é definida por:

P :{x , x ,...,x }⊂ R → [0,1] se o espaço amostral Ω for finito ou

1 2 n
x a p ( x ) = P( X = x )

P :{x , x ,...}⊂ R → [0,1] se o espaço amostral Ω for enumerável, tal que ∑ p ( x) = 1 .
1 2
x a p ( x ) = P( X = x ) x
 5
Quadro esquemático:
X p(x)=P(X=x)
x1 p( x1 ) = P( X = x1 )

x2 p ( x2 ) = P ( X = x2 )

M M

∑ p( xi ) 1
i
Notas: 1) Muitas vezes, os valores de p(xi) são calculados mediante eventos equivalentes
n ∞
(MEYER, 1972, p. 58,59,62,63,84-86). 2) ∑ p( xi ) = ∑ p( xi ) ou ∑ p( xi ) = ∑ p( xi ),
i i =1 i i =1
dependendo da natureza do espaço amostral (se finito ou se enumerável)

Gráfico de P(X=x):

p(x) . p(x)

p( xi )
p( xi ) .
p ( x1 )
.
p ( x3 ) p ( x3 )
p ( x1 )
.
p( x2 ) ou . p ( x2 )

x1 x2 x3 ... xi x x1 x2 x3 ... xi x

X
X

5.1.b) Função de distribuição (f.d.) de uma v.a. discreta X:

Definição: Seja X uma variável aleatória em um espaço de probabilidade (Ω, A, P ) . A função de

distribuição de X, denotada por FX , é definida por FX : Rx → [0, 1] , onde

a FX ( x) =P ( X ≤ x) = ∑ p( xi )
x i ≤x

p ( x) = P ( X = x).
 6
Sentença matemática de FX para um espaço amostral finito:

Seja a f.d. da v.a. discreta X, dada por FX : R→ [0,1] , com i = 1, 2, ..., n.
x a FX (x) =P( X ≤ x) = ∑ p(xi )
x i ≤x

Então, tem-se:
 0, se x < x1
 p(x ), se x1 ≤ x < x 2
 1
2
∑ p(xi ), se x 2 ≤ x < x3
 i =1
F X ( x) = 
M
n −1
∑ p(xi ), se x n-1 ≤ x < x n
 i =1

 1, se x ≥ xn

Gráfico de FX para v.a. discreta:

FX (x)

1
M N
p ( x1 ) + p ( x 2 )

p ( x1 )

x
x1 x2 x3 ... xn

X
 7

5.1.c) Relação entre a v.a. discreta X, a sua função de probabilidade e a sua função de
distribuição, para um espaço amostral enumerável:

R
Em diagrama:

FX 0

FX ( x1 ) = p( x1 )
2
FX ( x2 ) = ∑ p ( xi )
A i =1

M
[ X < x1 ] = φ
[ X ≤ x1 ] = {ϖ 1 } F X ( xi ) = ∑ p( xi )
X [ X ≤ x 2 ] = {ω1 , ω 2 } x j ≤ xi
Ω
R M M
ω1 [ X ≤ xi ] = {ω1 , ω 2 ,..., ω i −1 , ω i }
ω2 x1 = X (ϖ 1 ) 1
M
M x2 = X (ϖ 2 ) Ω
ωi M
xi = X (ϖ i )
M
M p( x1 ) = P( X = x1 ) R

p ( x 2 ) = P ( X = x2 )

M
P
p ( xi ) = P ( X = xi )

EXERCÍCIOS:
1
01) Considere uma v.a. X assumindo valores em A={1, 2, 3,...}, com função f X ( x) = .I A ( x) , onde
2x
1, se x ∈ A
I A ( x) =  . Pede-se: f X é uma função de probabilidades? Justifique. Se sim:
0, se x ∉ A
a) Determine a função de distribuição de X;
b) Faça o gráfico de f X e de F X ;
c) Calcule P ( X ≥ 3), P (4 < X ≤ 7), P ( X ≤ 0) .
 8
02) O gráfico abaixo representa a função de distribuição de uma v.a. discreta X:

FX (x)

2/3

1/4

0 x
-2 1 5

a) Por que esse gráfico representa uma função de distribuição?

b) Calcule P ( X ≥ 2), P (−2 < X ≤ 3), P (0 ≤ X < 3,1) P ( X ≤ 0), P ( X < 4).

5.2) Variáveis aleatórias unidimensionais contínuas:

Definição: A v.a. X em um espaço de probabilidade (Ω, A, P ) com função de distribuição F X é

denominada contínua se existe uma função não negativa f X tal que

x
FX ( x ) = ∫ f X (t )dt, ∀x ∈ R , onde
−∞

a função integrando f X é denominada função de densidade de probabilidade(f.d.p.) de X ou

simplesmente densidade de X .

Observação:
x
• F X ( x) = ∫ f X (t )dt = ∫ f X ( x)dx, onde A é o intervalo de integração do tipo ( −∞, x ] ∀x ∈ R .
−∞ A

• A v.a. X é denominada contínua se sua função de distribuição FX é absolutamente contínua,

pois FX, por ser uma função definida por uma integral, é absolutamente contínua.4
d
• Fx ( x) = f X ( x) em quase toda parte. Isto significa, neste caso, que FX é contínua e derivável
dx
por partes (FX é derivável em todo ponto exceto num número finito de pontos).5

4
Ver JAMES, B., 2006, p. 42. Ver, ainda, função dada por integral em GUIDORIZZI, H. L., 2001, p. 12-27.
5
Cf. JAMES, B., 2006, p. 42 e 43.
 9
5.2.a) Propriedades da função densidade de probabilidade:
A função densidade da v.a. contínua X em (Ω, A, P ) satisfaz:
• f X ( x) ≥ 0, ∀ x ∈ R . (Por definição)
∞ x
• ∫ f X ( x)dx = 1 , já que F X ( x) = P( X ≤ x) = ∫ f X (t )dt, ∀x ∈ R
−∞ −∞

5.2.b) Cálculo de probabilidades para uma v.a. contínua X:

Seja X uma v.a. contínua em um espaço de probabilidade (Ω, A, P ) com função de distribuição

F X e função densidade f X . Então a P (a < X ≤ b) é dada por:

b
P (a < X ≤ b) = P[( X ≤ b) − ( X ≤ a )] = P ( X ≤ b) − P ( X ≤ a ) = F X (b) − F X (a ) = ∫ f X ( x)dx, x ∈ (a,b].
a

Como, pelas propriedades do Cálculo Diferencial e Integral,6 é possível alterar a função

integrando (aqui a função densidade) em um número enumerável de pontos sem alterar a integral, tem-
se:
P( a < X ≤ b) = P( a < X < b) = P (a ≤ X ≤ b) = P ( a ≤ X < b) sendo P ( X = a ) = P ( X = b) = 0 .

EXERCÍCIOS:
01) (Adaptado de JAMES, B. 2006, p. 43) Uma v.a. contínua X tem função de distribuição dada por
0, x < 0

F X ( x ) =  x, 0 ≤ x < 1 .
1, x ≥ 1

a) Faça o gráfico de FX e justifique porque FX é uma função de distribuição de probabilidades;
b) Verifique se FX é derivável em x=0 e x=1.
c) Determine a função densidade de probabilidade fX e faça seu gráfico.
d) Justifique porque FX é uma função de distribuição de uma v.a. contínua e não de uma discreta.

02) (Adaptado de JAMES, B. 2006, p. 43) Uma v.a. X tem função de distribuição dada por
0, x < 0
F X ( x) =  .
1, x ≥ 0
a) Verifique se FX é realmente uma função de distribuição de probabilidades;
b) Verifique se X é uma variável aleatória discreta ou contínua.
c) Se X for discreta, obtenha sua função de probabilidades e seu respectivo gráfico. Se X for contínua,
obtenha sua função densidade de probabilidade e seu respectivo gráfico.

6
Ver GUIDORIZZI, H. L., 2001, p. 8-12.
 10
03) Considere a seguinte tabela:

Diâmetro, em centímetros, de determinada peça

Classe Diâmetro, em cm Freqüência relativa
(i) (X) (fri)
1 84 86 0,3
2 86 88 0,5
3 88 90 0,2
Total 1,0
Fonte: Dados fictícios.

a) A tabela acima representa uma distribuição de probabilidades? Justifique.

0,3 , se 84 ≤ x < 86

b) Faça o gráfico da função f X ( x) = 0,5 , se 86 ≤ x < 88 . Essa função representa uma f.d.p?
0,2 , se 88 ≤ x < 90

Justifique.

c) Se não, obtenha a partir da tabela dada uma função f X que seja uma f.d.p., faça seu gráfico e
calcule a probabilidade de 84 ≤ X < 86 .

04) Mostre que as funções abaixo são funções de densidade de probabilidade. Calcule as probabilidades
indicadas. Faça os respectivos gráficos:

2 x , 0 ≤ x ≤ 1 1 1
a) f X ( x) =  , P( ≤ X < ) .
0, caso contrário (c.c) 4 2

− ln y, 0 < y ≤ 1 1
b) f Y ( y ) =  , P (0 < Y ≤ ) .
0, c.c 2

e −x / 2
 , x≥0
c) f X ( x) =  2 , P ( X > 5) .
0, c.c


05) No exercício 04 anterior, determine a função de distribuição da v.a. em questão e seu respectivo
gráfico.

06) Verifique se as funções dadas são ou não funções densidade de probabilidade:

 11

 xe −2 x , x ≥ 0
a) f X ( x) =  .
0, c.c

λ 2 y e −λ y , y ≥ 0
b) f Y ( y ) =  , com λ > 0.
0, c.c

6) Esperança matemática para v.a. unidimensional:

Definição: Seja X uma variável aleatória em um espaço de probabilidade (Ω, A, P ) , com função de
probabilidade P. A esperança matemática de X, ou simplesmente esperança de X, denotada por E(X), é
definida por:
Se X é discreta: E ( X ) = ∑ x.P( X = x) = ∑ x. p( x) = ∑ xi p( xi ) , com ∑ xi p( xi ) < ∞ .
x x i i

+∞
Se X é contínua: E ( X ) = ∫ x f X ( x)dx .
−∞

Outras denominações para E(X): Valor esperado, expectância, média.

Outras notações para E(X): µ X , µ .

Observação:
• A esperança matemática de uma v.a. discreta é uma média ponderada onde os pesos são as
probabilidades p(x).
 12
7
6.1) Propriedades da esperança da v.a. unidimensional X:

Sejam X e Y variáveis aleatórias unidimensionais em um espaço de probabilidades (Ω, A, P ) e

a, b ∈ R

a) E(a) = a
Demonstração para v.a. discreta:

Demonstração para v.a. contínua:

b) E(aX) =aE(X)
Demonstração para X discreta:

Demonstração para X contínua:

c) E(X+Y)=E(X)+E(Y) (A demonstração necessita do conceito de distribuição de probabilidades

conjunta, a ser vista mais adiante)

n
Corolário: E (∑ X i ) = E ( X 1 ) + E ( X 2 ) + ... + E ( X n ) , sendo Xi v.a.’s em (Ω, A, P ) .
i =1

Demonstração para Xi discretas:

Demonstração para Xi contínuas:

7
Essas propriedades de esperança matemática são válidas tanto para v.a.’s discretas como para v.a.’s contínuas. No entanto,
o processo de demonstração é diferente em ambos os casos.
 13
d) E(aX+b)=aE(X)+b
Demonstração para X discreta:

Demonstração para X contínua:

1, se x ∈ A
e) E(IA(x)) = P(A), onde I A ( x) = 
0, se x ∉ A
Demonstração:

EXERCÍCIOS:
01) Um caça níquel tem dois discos que funcionam independentemente um do outro. Cada disco tem 10
figuras: 4 maçãs, 3 bananas, 2 peras e 1 laranja. Uma pessoa paga R$ 8,00 e aciona a máquina. Se
aparecerem 2 maçãs, ganha R$ 4,00. Se aparecerem 2 bananas, ganha R$ 8,00. Ganha R$ 14,00 se
aparecerem 2 peras e ganha R$ 18,00 se aparecerem 2 laranjas. Qual a esperança de ganho numa única
jogada? Interprete esse valor.

02) (FARIAS; SOARES; CÉSAR, 2003, p. 74) A probabilidade de um homem de 40 anos morrer antes
de completar 41 anos é de 0,00353. Ele contrai um empréstimo de R$ 15.000,00 para pagamento total
daqui a um ano e deseja fazer um seguro de vida por esse prazo, de modo que, se morrer no decorrer do
ano, a dívida fique remida (ou seja, a seguradora pagará a dívida). Qual o prêmio que ele deve pagar à
companhia seguradora? Considere o prêmio mínimo, sem as devidas taxas de administração, custeio de
despesas, etc. Prêmio é o valor pago pelo segurado à seguradora.

03) (MAGALHÃES et LIMA, 2008, p. 67) Um pai leva o filho ao cinema e vai gastar nas duas
entradas R$ 15,00. O filho vai pedir para comer pipoca com probabilidade 0,7 e, além disso, pode pedir
bala com probabilidade 0,9. Esses pedidos são atendidos pelo pai com probabilidade 0,5,
independentemente um do outro. Se a pipoca custa R$ 2,00 e a bala R$ 3,00, qual o gasto esperado com
a ida ao cinema?
 14
04) (MONTGOMERY et RUNGER, 2008, p. 77) A corrente, em miliampères, em um fio delgado
de cobre é uma variável aleatória contínua com função densidade de probabilidade
f X ( x) = 0,05 se 0 ≤ x ≤ 20. Determine o valor esperado de X.

05) (MONTGOMERY et RUNGER, 2008, p. 77) O diâmetro, em milímetros, de um orifício perfurado

em uma placa com um componente metálico é uma variável aleatória contínua com função densidade

de probabilidade f X ( x) = 20 e -20 ( x - 12,5) , com x ≥ 12,5.

a) Determine o valor esperado de X.
b) Se uma peça com um diâmetro maior que 12,6 milímetros tiver de ser descartada, qual será a
proporção de peças descartadas?

7) Variância de uma v.a. unidimensional X:

Definição: Seja X uma variável aleatória em um espaço de probabilidade (Ω, A, P ) . A variância de X,
denotada por V(X), é definida por:

V ( X ) = E{ [ X − E ( X )]2 } .

Matematicamente é mais conveniente trabalhar com a seguinte igualdade:

V ( X ) = E{ [ X − E ( X )]2 } = E ( X 2 ) − [E ( X )]2 , onde

E ( X 2 ) = ∑ x 2 .P ( X = x) se X é uma v.a. discreta e

x

+∞
2 2
E( X ) = ∫x . f X ( x).dx se X é uma v.a. contínua.
−∞

Dessa forma, tem-se:

• Se X é discreta:
2
 
V ( X ) = E{ [ X − E ( X )] } = E ( X ) − [E ( X )]
2 2 2
= ∑ x . p ( x) − ∑ x. p ( x) , onde p(x)= P(X=x).
2

x  x 

• Se X é contínua:
+∞ 2
+ ∞ 
V ( X ) = E{ [ X − E ( X )] } = E ( X ) − [E ( X )] =
2 2 2
∫x
2
f X ( x) dx −  ∫ x f X ( x) dx  .
-∞  -∞ 

Outras notações para variância de uma v.a. X:

Var(X), σ X2 , σ 2
 15
EXERCÍCIO:

Demonstre que V ( X ) = E{ [ X − E ( X )]2 } = E ( X 2 ) − [E ( X )]2

7.1) Propriedades da variância da v.a. X:8

Sejam X e Y variáveis aleatórias unidimensionais em um espaço de probabilidades (Ω, A, P ) e

a, b ∈ R

a) V(a) = 0
Demonstração para v.a. discreta:

Demonstração para v.a. contínua:

b) V(aX) =a2V(X)
Demonstração para X discreta:

Demonstração para X contínua:

c) V(X+Y)=V(X)+V(Y) +2.Cov(X, Y), onde Cov(X, Y) = E(X.Y) - E(X).E(Y)

Demonstração para X e Y discretas :

Demonstração para X e Y contínuas:

8
Essas propriedades de variância são válidas tanto para v.a.’s discretas como para v.a.’s contínuas. No entanto, o processo
de demonstração é diferente em ambos os casos.
 16
n n n −1 n
Corolário: V (∑ X i ) = ∑ V ( X i ) + 2 ∑ ∑ Cov ( X i , X j ), com i < j , sendo Xi v.a.’s discretas
i =1 i =1 i =1 j = 2
em (Ω, A, P ) .

Para i = 3, tem-se:
V ( X + Y + Z ) = V ( X ) + V (Y ) + V ( Z ) + 2Cov( X , Y ) + 2Cov( X , Z ) + 2Cov(Y , Z ) , sendo X, Y e Z v.a.’s
em (Ω, A, P ) .
Demonstração para v.a.’s discretas:

d) V(aX+b)=a2V(X)

Demonstração para X discreta:

Demonstração para X contínua:

EXERCÍCIOS
01)(LEVINE; BERENSON; STEPHAN, 2000, p. 188) Um empregado de uma loja de bebidas e
comestíveis instalada em um estádio de futebol deve escolher entre trabalhar atrás de um balcão de
cachorro-quente recebendo a quantia fixa de $ 50,00 por noite e andar pelas arquibancadas vendendo
cerveja, recebendo por comissão. Se for escolhida a venda de cerveja, o empregado pode ganhar $
90,00 numa noite quente, $ 75,00 numa noite moderada, $ 45,00 numa noite fria e $ 15,00 numa noite
muito fria. Nessa época do ano, as probabilidades de noites quentes, moderadas, frias e muito frias são
0,1; 0,3; 0,4 e 0,2, respectivamente.
a) Determine o valor esperado a ser ganho pelo vendedor de cerveja naquela noite;
b) Calcule o desvio padrão;
c) Que produto o empregado deve vender? Por quê?
d) Quais são os resultados dos itens (a), (b) e (c) se as probabilidades forem 0,3; 0,2; 0,3 e 0,2,
respectivamente?
 17
02) (MONTGOMERY et RUNGER, 2008, p. 77) O diâmetro, em milímetros, de um orifício
perfurado em uma placa com um componente metálico é uma variável aleatória contínua com função

densidade de probabilidade f X ( x) = 20 e -20 ( x - 12,5) , com x ≥ 12,5.

a) Determine o valor esperado de X e a variância de X.
b) Qual a proporção de peças que possuem diâmetro entre a média e dois desvios-padrões?

8) Desigualdade clássica de Chebyshev:

Seja X uma variável aleatória (discreta ou contínua). Tem-se:
Var ( X )
P( X - µ X ≥ c ) ≤ , com c > 0 , onde µ X = E ( X ) .
c2

Demonstração: Ver MAGALHÃES, M.N. 2006, p. 246.

EXERCÍCIOS:
01) Usando a desigualdade de Chebyshev, determine a probabilidade de um determinado valor da v.a.
X estar afastado da média de X por mais de:
a) 1 desvio-padrão de X;
b) 2 desvios-padrões de X;
c) 3 desvios-padrões de X.

02) Mesmo que não se saiba a distribuição de probabilidades da v.a. X, consideram-se usuais os
X − µX
valores de X cujos escores padronizados z = , onde µ X = E ( X ) e σ X = Var ( X ) , estão
σX
entre -2 e 2, conforme a desigualdade de Chebyshev. Dessa forma, para o conjunto de dados abaixo,
calcule a média amostral (x) , o desvio padrão amostral (s) e justifique se há algum valor de X que
provavelmente seja não usual:
145, 183, 179, 220, 204, 146, 170, 208, 180, 151, 201, 198.
Faça um diagrama de pontos para os escores padronizados.

_________________
REFERÊNCIAS
DANTAS, Carlos A. B. Probabilidade: um curso introdutório. 3 ed. São Paulo: EDUSP, 2008;
FARIAS, Alfredo A.; SOARES, José F.; CÉSAR, Cibele C. Introdução à estatística. 2 ed. Rio de Janeiro: LTC, 2003.
GUIDORIZZI, Hamilton Luiz. Um curso de cálculo. V 2. 5 ed. Rio de Janeiro: LTC, 2001.
JAMES, BARRY R. Probabilidade: um curso em nível intermediário, 2 ed., Rio de Janeiro: IMPA, 2006.
LEVINE, David M.; BERENSON, Mark L.; STEPHAN, David. Estatística: teoria e aplicações usando o Microsoft Excel
em português. Rio de Janeiro: LTC, 2000.
MAGALHÃES, Marcos Nascimento. Probabilidade e variáveis aleatórias. 2 ed. São Paulo: EDUSP, 2006.
MAGALHÃES, M. N.; LIMA, Antonio C. P. Noções de probabilidade e estatística. 6 ed. São Paulo: Edusp, 2008.
MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. 2 ed. Rio de Janeiro:
LTC, 2008.