“

Caro (a) aluno (a), “ensinar não é transferir

conhecimento, mas criar as possibilidades para a sua
produção ou a sua construção” (FREIRE, 1996, p.
25). Temos a certeza de que no Centro Universitário
Uningá, você terá à disposição todas as condições
para se tornar um profissional de excelência, assim,
corroborar efetivamente para o desenvolvimento da
realidade social em que está inserido.
Por meio de um modelo pedagógico intera-
tivo e dialógico, possibilitamos que, efetivamente,
você construa e amplie a sua rede de conhecimentos.
Essa interatividade será vivenciada especialmente
no ambiente virtual de aprendizagem – AVA – no
qual disponibilizamos, além do material produzido
em linguagem dialógica, aulas sobre os conteúdos
abordados, atividades de estudo, enfim, um mundo
de linguagens diferenciadas e ricas de possibilidades
efetivas para a sua aprendizagem.
Para finalizar essa mensagem de boas-vin-
das, lhe estendo o convite para que caminhe conos-
co na Construção do Conhecimento, e vivencie a
oportunidade de instituir-se sujeito do seu processo
de aprendizagem e membro de uma sociedade mais
universal e igualitária.

Um grande abraço e ótimos momentos

de construção de aprendizagem!
Equipe EAD – Uningá

2 Engenharia e estatística
segurança no trabalho
 02
Capítulo

Introdução
Neste momento iremos aprender noções de
probabilidade, abordando alguns assuntos de es-
tatística tais como: espaço amostral e eventos, de-
finição axiomática de probabilidade, propriedades
fundamentais, probabilidade condicional, indepen-
dência estatística, variável aleatória: discreta e contí-
nua, esperança matemática e variância de uma vari-
ável aleatória.

3 estatística
 Espaço amostral e eventos alizar esta “separação” ou “agrupamentos” criamos
um intervalo de confiança para tal. Por exemplo,
Seja um experimento aleatório qualquer, o se o diâmetro D de uma peça, em mm, que sai de
conjunto de todos os possíveis resultados do experi- uma tornearia, pertencer ao conjunto (ou evento)
mento é chamado de espaço amostral e é denotado A={49,0≤D≤51,0}, então se decide que ele é adequa-
pela letra grega Ω (MORETTIN, 2010). do (MONTGOMERY, 2012).
Ainda adaptado de Barbetta (2010), vamos Chamamos de evento qualquer subconjunto
estudar algumas orientações e exemplos: de um determinado espaço amostral.

Exemplos:
Seguem alguns experimentos aleatórios com
os respectivos espaços amostrais:
a) Lançar um dado e observar a face que saiu
voltada para cima: Ω= {1,2,3,4,5,6 };
Exemplos:
Dado o experimento do lançamento de um
dado, não viciado. Tem-se que Ω= {1,2,3,4,5,6 }, en-
tão, abaixo segue alguns exemplos de eventos.
A = face par voltada para cima: {2,4,6};

b) Retirar a carta de um baralho com 52 B = face maior que 2 voltada para cima:
cartas e anotar o respectivo naipe da carta: Ω={co- {3,4,5,6};
pas,espadas, ouros,paus};
C = face 6 voltada para cima: {6}.
c) A quantidade (número) de mensagens
que são recebidas corretamente por dia em uma Dizemos que um evento acontece quando
rede: Ω= {1,2,3,…}; um dos resultados que o compõe ocorre. Com res-
peito ao exemplo anteriormente citado, se o dado
d) A observação do diâmetro, em mm, de for lançado e ocorrer o número 4, então ocorrem os
uma determinada espécie de planta: Ω= {d,tal que eventos A e B, mas não ocorre o evento C.
d>0}.
Definição axiomática de probabilidade e proprie-
O espaço amostral pode ser:
dades fundamentais
Finito: quando é composto por uma quan-
Para Barbetta (2010), seja a probabilidade de
tidade limitada de possíveis resultados, como nos
forma clássica ou não, independente da forma como
exemplos (a) e (b);
se calcula, as probabilidades obedecem algumas de-
finição e axiomas, que envolvem algum experimen-
Infinito enumerável: composto por uma
to aleatório associado a um espaço amostral Ω. Para
quantidade infinita de resultados, os quais podem
ser listados, como no exemplo (c); cada evento Ei (i=1,2,…) associa-se a um número
real denominado de probabilidade de acontecer Ei,
Infinito: quando é composto por intervalos P(E ), que terá que atender os axiomas:
i
de números reais, como no exemplo (d).
1º) 0≤P(Ei )≤1
“Um espaço amostral é dito discreto quan-
do for finito ou infinito enumerável; é dito contínuo
2º)P(Ω)=1
quando for infinito, formado por intervalos de nú-
meros reais” (BARBETTA, 2010, p. 94).
3º) Se E1,E2,…,En são eventos mutuamente
Em nosso dia a dia, seja em casa, nas indús- exclusivos, então P(E1u E2 u … u En )= P(E1 )+P(E2
trias ou até mesmo quando estamos estudando, cos- )+ ... +P(E ).
n
tumamos separar as coisas. Na estatística, para re-

4 estatística
 O primeiro axioma diz que uma probabili-
dade sempre será um valor entre 0 e 1. Já o segun-
do, diz que, ao acontecer o experimento, haverá de
ocorrer algum dos possíveis resultados. E é por isso
que o espaço amostral é chamado de evento certo.
O terceiro axioma, é menos intuitivo. Ele diz que,
ao se juntar eventos formados por resultados discre-
pantes, a probabilidade de ocorrer essa união é dada
pela soma das probabilidades de cada evento.
Vamos relembrar o experimento de lan-
çar um dado e anotar o lado voltado para cima,
para melhor entendermos os axiomas. Tem-se Ω
= {1,2,3,4,5,6}. Ao realizarmos o experimento, irá
ocorrer algum elemento de Ω; logo, P(Ω) = 1. Con-
sideraremos, os eventos associados a cada resultado,
ou seja, Ei = i (i = 1,2,...,6). Supondo-se um dado
não viesado, ou seja, não viciado, pode-se atribuir,
pela definição frequentista, as probabilidades: P(Ei)
=1/6(i = 1,2,...,6). Repare que se trata de eventos mu-
tuamente exclusivos (Ei ∩ Ej = Φ, i ≠ j) e se qui-
sermos saber a probabilidade da união de quaisquer
desses eventos, basta realizar a soma das probabili-
dades de cada um. Por exemplo, pela definição fre-
quentista, tem-se:
P(E1 u E2 u E3 )=P({1,2,3})=3/6=1/2
{ω1,ω2,ω3,...}, então:
No experimento do dado, por exemplo:
P(número par)=P({2,4,6})
=P(2)+P(4)+P(6)=3/6=1/2
Note que nesse processo de obtenção das
probabilidades pode ser utilizado até mesmo quan-
do o espaço amostral não for equiprovável.
3. Sejam A Ω e Ᾱ o evento complementar
de A, então:
P(Ᾱ)=1-P(A)
Repare que, ao unir A e Ᾱ tem-se o espaço
amostrai Ω, que possui probabilidade igual a 1. Pelo
terceiro axioma, tem-se a expressão do evento com-
plementar.
No experimento do dado, tem-se, por exem-
plo, P(ocorrer seis) = P({6}) = 1/6. Pela propriedade
do evento complementar: P(não ocorrer seis) = 1 -
1/6 = 5/6.

O mesmo valor pode ser obtido pelo terceiro

axioma, axioma (c):

P(E1 u E2 u E3 )=P(E1)+P(E2)+P(E3)
=1/6+1/6+1/6=1/2

Em seguida, serão apresentadas algumas

propriedades básicas de probabilidade:

1. P(Ø) = 0
Dado que o experimento foi realizado, al-
gum resultado certamente irá acontecer (P(Ω) = 1).
Portanto, Ø nunca ocorre (P(Ø) = 0). Ø (conjunto
vazio) é conhecido como evento impossível.

2. Em relação ao caso discreto, ou seja, quan-

do os possíveis resultados podem ser listados, pelo
terceiro axioma, a probabilidade de qualquer evento
pode ser calculada por meio da soma das probabili-
dades dos resultados individuais, isto é, se A Ω=

5 estatística
 4. Sejam A e B eventos quaisquer, então: Os dados, a seguir, representam um dia de
observação em um posto de qualidade, em que se
P(A u B)=P(A)+P(B)-P(A∩B) avalia o peso dos pacotes de bolacha produzidos por
uma determinada indústria.
Veja que, pela figura a seguir, ao somarmos
P(A) e P(B), estamos contando duas vezes os pontos
do conjunto A∩B. Assim, ao calcularmos P(A u B),
é preciso diminuir a intersecção P(A ∩ B).

Fonte: Adaptado de Barbetta (2010).

Retira-se, ao acaso, um pacote de bolacha da

população de 6850 unidades. Sejam D e F os eventos
que representam se o pacote retirado está dentro ou
fora das especificações, respectivamente. Da mesma
forma, B, C e A são eventos que representam o tipo
de bolacha.

Pergunta-se:
Qual é a probabilidade do pacote de bolacha
No experimento do dado, seja: A={2,4,6} estar fora das especificações?
e B={3,4,5,6}. Portanto, P(A)=1/2, P(B)=2/3 e
P(A∩B)=P({4,6})=1/3. A probabilidade de ocorrer Resposta:
um número maior do que 1 pode ser calculada por Como o espaço amostral é composto de
P(A u B)=1/2+2/3-1/3=5/6. 6850 unidades, sendo que 350 satisfazem ao evento,
então:
Probabilidade condicional e independência esta-
P(F)=350/6850=0,051
tística
Qual a probabilidade do pacote de bolacha
Em nosso dia a dia, nos ocorre de termos retirado estar fora das especificações, sabendo-se
que calcular a probabilidade da ocorrência de um que é do tipo A?
evento A, dada a ocorrência de um evento B.
Resposta:
Exemplos: Nesse caso, o espaço amostral ficou restrito
- Qual é a probabilidade de chover amanhã às 1550 unidades de bolacha tipo A. Destas, 50 satis-
em Maringá - PR, sabendo que choveu hoje? fazem ao evento. Então:

- Qual é a probabilidade de um ar-condicio- P(F|A)=50/1550=0,032

nado funcionar sem problemas por 4000 horas con-
secutivas, sabendo que ele já funcionou por 2000 Note que, se o numerador e o denominador
horas? de P(F|A) forem divididos pelo número total de uni-
dades, temos:
Estamos querendo calcular a probabilidade
de ocorrer A condicionada à ocorrência de B. Esta P(F|A)=50/1550=(50⁄6850)/(1550⁄6850)=P(F∩A)/
probabilidade é representada por P(A|B) e lê-se pro- (P(A))
babilidade de A dado B.

Exemplo:

6 estatística
 Essa relação é utilizada na definição de pro- E = soma das faces é menor ou igual a 5 = {(1,1),(1,
2
babilidade condicional. 2),(1,3),(1,4),(2,1),(2,2),(2,3),(3,1),(3,2),(4,1)}.
Sejam A e B eventos quaisquer, sendo P(B) >
0. Define-se a probabilidade condicional de A dado Portanto, E ∩ E ={(1,1),(2,2)}
B por 1 2

P(A|B)=(P(A∩B))/(P(B))

Veja que no denominador tem-se a probabi-

lidade do evento que aconteceu, mas que foi calcula-
do nas condições iniciais do experimento.
Se houver interesse no oposto, isto é, na pro- Calculando:
babilidade de ocorrência de B condicionada à ocor- a) A probabilidade de as faces serem iguais,
rência prévia de A, sendo P(A) > 0, temos: sabendo que a soma é menor
ou igual a 5. Ou seja:
P(B|A)=(P(B∩A))/(P(A))

É importante ressaltar que a opera- P(E1|E2 )=(2⁄36)/(10⁄36)=2/10=0,2

ção de intersecção é comutativa, implicando
P(A∩B)=P(B∩A). Note que, se o espaço amostral for restrin-
gido ao evento conhecido, E2, temos 10 resultados
Exemplo: possíveis, sendo que 2 satisfazem também ao evento
Seja o lançamento de 2 dados não viciados e de interesse, E , o que torna natural a probabilidade
11
a observação das faces voltadas para cima. Suponha condicional ser 2/10.
que haja interesse nas probabilidades dos seguintes
eventos: b) A probabilidade de a soma das faces ser
menor ou igual a 5, sabendo que as faces são iguais.
a) Faces iguais, sabendo que a soma é menor Ou seja:
ou igual a 5.
P ( E 2| E 1) = ( P ( E 2∩ E 1) ) / ( P ( E 2) ) = ( 2 ⁄ 3 6 ) /
b) Soma das faces menor ou igual a 5, saben- (6⁄36)=2/6=0,333…
do que as faces são iguais.

Primeiramente, entenderemos o espaço A regra do produto

amostral do experimento, composto pelas 6 x 6 =
36 possíveis combinações dos resultados dos lança- Estatisticamente falando, para se chegar na
mentos dos dois dados, ou seja: regra do produto basta fazer:

P(A|B)=(P(A∩B))/(P(B)) =>P(A∩B)=P(B).P(A|B)

P(B|A)=(P(B∩A))/(P(A)) =>P(A∩B)=P(A).P(B|A)

Já para três eventos, A, B e C, a regra do pro-

duto pode ser escrita da forma:

Considere os eventos: P(A∩B∩C)=P(A).P(B|A).P(C|A∩B)

E1 = faces iguais = {(1,1),(2,2),(3,3),(4,4),(5,
5),(6,6)}

7 estatística
 Exemplo: Com base no esquema acima, pode-se cal-
Uma caixa contém 4 cartões verdes (A) e 8 cular as probabilidades de todos os resultados do
brancos (V). Retiramos, ao acaso, 2 cartões, um após espaço amostrai, como segue:
o outro, sem reposição, e observamos as cores dos
dois cartões. P { ( A 1, A 2) } = P ( A 1∩ A 2) = P ( A 1) . P ( A 2| A 1
Qual é a probabilidade de que ambos sejam )=4/12.3/11=1/11
verdes? Chamando de Ai o evento que representa
cartão verde na: P { ( A 1, V 2) } = P ( A 1∩ V 2) = P ( A 1) . P ( V 2| A 1
)=4/12.8/11=8/33
- i-ésima extração e Vi o evento que repre-
senta cartão branco na; P { ( V 1, V 2) } = P ( V 1∩ A 2) = P ( V 1) . P ( A 2| V 1
)=8/12.4/11=8/33
- i-ésima extração (i = 1,2), temos o seguinte
espaço amostrai:
P { ( V 1, V 2) } = P ( V 1∩ V 2) = P ( V 1) . P ( V 2| V 1
)=8/12.7/11=14/33
Ω={(A1,A2 );(A1,V2 );(V1,A2 );(V1,V2)}
Observe que a soma dos quatro resultados
A probabilidade procurada é P{(A1 A2)}. Ela possíveis é igual a 1 (2º axioma da probabilidade).
pode ser posta da forma de interseção: P(A1 ∩ A2),
ou seja, a probabilidade da ocorrência de amarelo c) Qual é a probabilidade de ocorrer exata-
no primeiro sorteio e amarelo no segundo. Para usar mente 1 cartão verde?
a regra do produto, P(A1 ∩ A2) = P(A1) .P(A2 |A1),
calcula-se: Quer-se a probabilidade de que ocorra (A1
,V2) ou (V1 ,A2). Em relação à teoria dos conjuntos,
P(A1 )=4/12=1/3 (pois, existem 4 verdes den- estamos querendo união dos dois resultados (even-
tro de 12 cartões) e, P(A2|A1)=3/11 (pois, supondo tos). Já que esses eventos são mutuamente exclu-
que tenha sido extraído cartão verde na primeira ex- sivos (não podem ocorrer simultaneamente), então
tração, restaram 3 brancos dentre 11 cartões). Logo, a probabilidade é dada pela soma, ou seja:
P(A1∩A2)=P(A1).P(A2|A1)=1/3.3/11=1/11
P { ( A 1, V 2) u ( V 1, A 2) } = P ( A 1, V 2) + P ( V 1, A 2
b) Como alocar probabilidades a todos os el- )=8/33+8/33=16/33
ementos do espaço amostral?
d) Considere a retirada de 3 cartões. Qual é a
Nesse caso, podemos construir uma árvore, probabilidade de que os dois primeiros sejam bran-
indicando todas as situações possíveis (árvore de cos e o terceiro seja verde?
probabilidades).
Deseja-se calcular:

P(V1∩V2∩A3)=P(V1).P(V2|V1).P(A3|V1∩V2)

Os dois primeiros fatores já foram calcula-

dos anteriormente. Para calcular P(A3|V1 ∩ V2) bas-
ta considerar a caixa com 2 cartões brancos a menos,
isto é, com 4 verde e 6 brancos. Assim:

Figura: Árvore de probabilidades- retiradas sem reposição (A

= verde; V = branco). Fonte: o autor.

8 estatística
 P(A3|V1 ∩ V2 )=4/10
Logo,
P(V1∩V2∩A3)=8/12.7/11.4/10=28/165
Eventos independentes
O Exemplo que iremos estuar agora é pare-
cido com o exemplo anterior, porém, com a amostr-
agem feita com reposição. Verifique que os cálculos
tornam-se mais simples, pois a configuração da urna
não se altera na segunda extração.
Uma caixa contém 4 cartões verdes e 8 bran-
cos. Retiram-se, ao acaso, 2 cartões da caixa, um
após o outro, sendo que o primeiro cartão é reposto
antes da retirada do segundo (amostragem com re-
posição), e observa-se a cor dos dois cartões.
Já a regra do produto pode ser “simplificada”
da seguinte forma:
P(A∩B)=P(A).P(B|A)=P(A).P(B)
Veja que essa relação é usada para definir
formalmente eventos independentes, isto é:
A e B são independentes <=> P(A∩B)=P(A).P(B)
Segue abaixo, outras formas de definições de
independência:
E1,E2…En são independentes <=> P(E1∩E2∩…
∩En )=P(E1).P(E2)…P(E2)
Embora a implicação seja dos dois lados,
normalmente as condições do experimento per-
mitem verificar se é razoável supor independência
entre os eventos e, em caso afirmativo, o cálculo da
probabilidade da interseção pode ser fatorado nas
probabilidades dos eventos independentes.

Quando o tamanho da população for sufi-

cientemente grande em relação ao tamanho amos-
tral, amostragem esta, feita com ou sem reposição,
supõe-se que são independentes. Imagine que no
exemplo dos cartões, a pouco estudado, haja 4000
A Figura anterior apresenta a árvore de cartões verdes e 8000 brancos. Ao retirar dois
probabilidades do experimento estudado anterior- cartões, a probabilidade de sair verde na segunda
mente. Ou seja, Árvore de probabilidades - retiradas retirada é de aproximadamente 4/12, independen-
com reposição (A = verde; V = branco). temente de ter saído verde ou branco na primeira
Veja que neste caso, P(A2|A1)= P(A2|V1) retirada.
= 4/12, isto é, independentemente se tirou cartão
verde ou branco na primeira retirada, a probabil- Teorema da Probabilidade Total
idade de sair verde na segunda retirada é de 4/12,
ou seja, há independência entre os eventos. Isso nos Vamos começar com um exemplo:
permite dizer que os eventos são independentes. As- Suponha que determinada indústria faz
sim, basta escrever P(A2), sem condicionante. uso de peças de quatro fabricantes, que por sua
Podemos afirmar que dois eventos ou mais vez, possuem diferentes desempenhos referentes à
são independentes quando a ocorrência de um não qualidade. Classifique as peças de duas formas: não
influencia a probabilidade da ocorrência dos de- conformes ou conformes e considere também, que,
mais. a proporção de peças não conformes de cada fabri-
Se dois eventos A e B são independentes, en- cante seja conhecida (p , p , p e p ). Agora, sele-
1 2 3 4
tão: cione aleatoriamente, uma das peças do lote, e cal-
cule a probabilidade de ela ser não conforme.
P(A|B)=P(A)
P(B|A)=P(B)

9 estatística

Figura: lote de peças. Fonte: o autor.
A figura anterior ilustra a formação de um
lote de peças provindas de quatro fabricantes.
A resposta seria simples se você soubesse de
qual fornecedor é a peça selecionada, mas você não
sabe. O chamado teorema da probabilidade total
permite solucionar esse problema.
Considere o espaço amostral particionado
em k eventos, E1,E2, Ek, satisfazendo às seguintes
condições:
Ei∩Ej=ø para todo i ≠j (eventos mutuamente exclu-
sivos)
E1u E2 u…u Ek=Ω (eventos exaustivos) e
P(Ei)>0 para i=1,2,…,n.
Figura: Partição do espaço amostral. Fonte: o autor.
A figura anterior representa uma partição
do espaço amostral em eventos mutuamente exclu-
sivos.
Seja um evento F qualquer, referente ao es-
paço amostrai Ω. Então:
F=(F ∩ E1 ) u (F ∩ E2 ) u … u (F ∩ Ek)
onde os eventos (F ∩ Ei) (i = 1,2,...,n) são mutua-
mente exclusivos entre si.
Logo:
F=P[(F ∩ E1 ) u (F ∩ E2 ) u … u (F ∩ Ek )]
10 estatística
F=(F ∩ E1 )+(F ∩ E2 )+...+(F ∩ Ek)
Através da regra do produto, tem-se a equa-
ção do teorema da probabilidade total:
P(F)=P(E 1).P(F|E 1)+P(E 2).P(F|E 2)+...+P(E k).P(-
F|E_k)
ou
Certamente, algumas P(F|Ei) poderão as-
sumir valor zero por não haver interseção entre F e
Et. O teorema da probabilidade total pode ser inter-
pretado, por sua vez, como uma medida do peso de
cada um dos eventos Eb na contribuição para formar
o evento F.
Os eventos Et representam as procedências
das peças (fabricantes 1,2,3 e 4), e o evento F repre-
senta peça não conforme. Repare que os eventos Et
(fabricantes) são mutuamente exclusivos, pois a peça
somente pode ser originária de um dos fabricantes;
e que o evento F tem interseção com cada um deles.
Suponha probabilidades iguais para todos os
fabricantes, isto é,
P(E1 )=P(E2 )=P(E3 )=P(E4 )=0,25,
e que as probabilidades de não-conformidade para
cada fabricantes sejam:
p1=P(F|E1)=0,1
p2=P(F|E2)=0,1
p3=P(F|E3)=0,2
p4=P(F|E4)=0,4
Então, com já visto anteriormente, a proba-
bilidade de não conforme é dada por:
P(F)=(0,25)(0,1)+(0,25)(0,1)+(0,25)(0,2)+(0,25)
(0,4)=0,20
 Teorema de Bayes
O teorema de Bayes está relacionado ao teo-
rema da probabilidade total. Supõem-se as mesmas
condições (eventos E_t mutuamente exclusivos e um
evento F qualquer). O teorema de Bayes possibilita o
cálculo da probabilidade de que um dos eventos E_t
ocorra, dado que o evento F tenho ocorrido. Para o
caso das peças dos quatro fabricantes, o Teorema de
Bayes permite responder a questões do tipo: "saben-
do-se que a peça é não conforme, qual é a probabili-
dade de que tenha vindo do fabricante 4?"
Variáveis Aleatórias Discretas
Uma variável aleatória pode ser entendida
como variável quantitativa, cujo resultado depende
de fatores aleatórios.
Outros exemplos de variáveis aleatórias são:
- Quantidade de caras obtidas no lançamen-
to de duas moedas;
- Quantidade de peças defeituosas em uma
amostra retirada, aleatoriamente, de um lote;

De maneira geral tem-se que: - Número de defeitos em um televisor que

P(Ei|F)=(P(Ei∩F))/(P(F))
Por meio da regra do produto, pode-se um hospital, num certo período de tempo;
“construir” o Teorema de Bayes:
pivô central, num sistema de irrigação;
P(Ei|F)=(P(Ei ).P(F|Ei))/(P(F))
Supondo-se uma peça não conforme, calcule
a probabilidade dela ter sido produzida pelo fabri-
cante 4?
Lembrando-se ainda, que já foi calculdo
P(F) = 0,20, então,
P(E4|F)=(P(E4 ).P(F|E4))/(P(F))
P(E4|F)=((0,25).(0,40))/0,20=0,50
REFLITA
https://br.udacity.
com/course/intro-to-sta-
tistics--st101/
http://www.porta-
laction.com.br/
Variável aleatória: discreta e contínua e Esperan- a,coroa)}.
ça matemática e variância de uma variável alea-
tória
sai da linha de produção;
- Número de pessoas que são atendidas em
- Volume de água utilizado por dia por um
- Resistência de um fio de eletricidade, num
teste padrão;
- Tempo de resposta de um sistema eletrôni-
co;
- Grau de variabilidade em um azulejo que
sai da linha de produção;
Os exemplos anteriores apresentam resul-
tados quantitativos, e não podemos prevê-los com
valores exatos, pois eles dependem de algo que é ale-
atório.
No exemplo do dado os valores que a vari-
ável aleatória pode assumir podem coincidir com
o espaço amostral do experimento. No exemplo,
lançamento de 2 moedas, o espaço amostral mais
completo é Ω={(cara,cara),(cara,coroa),(coroa,ca-
ra),(coroa,coroa)}, enquanto que a variável aleató-
ria número de coroas assume valores no conjunto
{0,1,2}. Mas existe uma relação entre os dois conjun-
tos: Ω={(cara,cara),(cara,coroa),(coroa,cara),(coro-

11 estatística
 Formalmente, uma variável aleatória é uma
função que associa elementos do espaço amostral ao
conjunto de números reais.
As variáveis aleatórias podem ser discretas
ou contínuas, conforme a seguir:
Variável aleatória discreta: Os resultados
estão contidos em um conjunto finito de valores in-
teiros.
Variável aleatória contínua: Os resultados
abrangem todo intervalo do conjunto dos números
reais.
Os itens a, b, c e d, citados a pouco, são exem-
plos de variáveis aleatórias discretas e os itens g e h
são exemplos de variáveis aleatórias contínuas.
Se tivermos três categorias, poderão/deve-
rão ser utilizadas 3 variáveis que representem as va-
riáveis aleatórias estudadas, como por exemplo: X e
Y, onde X = 1 se ocorrer B, e X = 0 caso contrário; Y
= 1 se ocorrer C, e Y = 0 caso contrário. A ocorrên-
cia de A estaria representada por X=0 e Y=0.
O ato de associar a cada valor de X a sua
probabilidade, é o que chamamos de distribuição
de probabilidade. Estamos distribuindo as probabi-
lidades. E é claro que a soma dessas probabilidades
sempre será 1.
Dado que X seja uma v.a. (variável aleatória)
discreta, com valores {x_1,x_2,...}, a distribuição de
X será formada pela função de probabilidade, que
associará a cada valor de x_t a sua probabilidade de
acontecer p(x), isto é:

Distribuição de probabilidades p(xi)=P(X=xi),com i=1,2,3,…

Identificada uma variável aleatória discreta, Uma função de probabilidade deve sempre
por exemplo, temos a descrição do que pode acon- satisfazer:
tecer num experimento aleatório. Em alguns casos e
sob certas suposições, tem-se duas informações: p(xi)≥0

• quais resultados poderão ocorrer;

• qual será a probabilidade de cada resultado Há certa similaridade entre as distribuições

acontecer. de probabilidades e as distribuições de frequências.
A distribuição de probabilidades apresenta os possí-
Exemplo: veis valores e não os valores verdadeiramente obser-
Supondo que a variável aleatória seja X = vados. As probabilidades são, geralmente, alocadas
número obtido no lançamento de um dado comum. a partir de suposições a respeito do experimento
Considerando-se ainda, um dado não viesado, po- aleatório em questão, enquanto as frequências são
demos escrever as seguintes probabilidades aos va- obtidas com repetições do experimento.
lores possíveis de X: As figuras a seguir ilustram a distribuição de
probabilidade de uma variável aleatória discreta. O
gráfico em forma de histograma (à direita) é cons-
truído e a área total deve ser igual à 1. O gráfico em
hastes (à esquerda) geralmente é construído para re-
presentar variáveis aleatórias discretas.

Figura: Gráfico das probabilidades. Fonte: o autor.

12 estatística
 As figuras acima representam gráficos da
distribuição de probabilidades da variável aleatória
X=número obtido no lançamento de um dado co-
mum.

Função de distribuição acumulada

Outra forma de representar uma distribui-
ção de probabilidades de uma variável aleatória é
através de sua função de distribuição acumulada,
que é definida por:

F(x)=P(X ≤ x), x ϵ R A média ou valor esperado de uma variável

aleatória X é dado por:
Desta forma, para qualquer x ϵ R a função
de distribuição acumulada descreve a probabilidade
de ocorrer um valor até x, conforme é ilustrado a
seguir:
E a variância por:

A variável aleatória X = número obtido no

lançamento de um dado comum apresenta como
fda, ou seja, função de distribuição acumulada: Alternativamente, a variância pode ser cal-
culada por:

Onde,

E o desvio padrão é dado por:

Retomando o exemplo da variável aleatória

X = número obtido no lançamento de um dado co-
mum, em que a função de probabilidade é dada por:

p(j)=1/6 ,com j=1,2,3,4,5,6.

Valor esperado e variância

Considere uma variável aleatória X e sua dis-
tribuição de probabilidades:

13 estatística
 E calculando a esperança e a variância: - Rendimento de um processo físico;

E(X)=1(1/6)+2(1/6)+3(1/6)+4(1/6)+5(1/6)+6(1/6) - Tempo de vida de um componente analógi-

=3,5 co;

E(X)=12(1/6)+22(1/6)+32(1/6)+42(1/6)+52(1/6)+62 - Resistência de uma lâmpada, etc.

(1/6)=15,167
Em outros momentos, aparecem as variáveis
Assim, aleatórias discretas, como por exemplo:

- número de transações por segundo em

V(X)=E(X2 )-μ2=15,167-3,52=2,92
uma bolsa de valores;
Em relação ao exemplo citado acima, note
- número de defeitos numa amostra de 7000
que, o valor esperado μ = 3,5 é um valor que a va-
itens, etc.
riável aleatória não pode assumir. O valor esperado
corresponde ao centro de gravidade da distribuição
Vejamos agora, dois exemplos extraídos de
de probabilidades.
Barbetta (2010).
A demonstração de que:
Exemplo:
Um círculo é dividido em dois setores de
mesmo tamanho (180º cada um), aos quais são atri-
buídos os números 1 e 2. Um ponteiro é preso ao
centro do círculo e girado, conforme mostra a figura
ao lado. Seja a variável aleatória discreta X = número
do setor apontado quando o ponteiro para de girar.
A distribuição de probabilidade de X, considerando
que todos os pontos sejam equiprováveis, pode ser
especificada pela função de probabilidade da figura
abaixo:
Algumas propriedades
Assumindo que X e Y sejam variáveis alea-
tórias, e C uma constante, são válidas as seguintes
relações:

Variáveis Aleatórias Contínuas Figura: Três formas de apresentação da função de probabilida-

de do experimento aleatório do exemplo acima. Fonte: o autor.
Caracterização de uma variável aleatória contí-
nua:
Muitas variáveis aleatórias, que aparecem no
dia a dia das mais diversas profissões, na maioria das
vezes são contínuas. Vejamos alguns exemplos:

- Tempo de resposta de um sistema eletrôni-

co;

14 estatística
 Exemplo 2:
Considere, agora, o círculo dividido em qua-
tro setores de mesmo tamanho (90° cada um). A
distribuição de probabilidades da variável aleatória
discreta X = número do setor apontado quando o Considerando a função densidade de proba-
ponteiro pára de girar é apresentada em seguida: bilidade:

Agora, obteremos a fda: função de distri-

buição acumulada. Como a expressão matemática
se altera no ponto zero, devemos considerar os dois
Figura: Representação gráfica da função de probabilidade do
experimento aleatório do exemplo 2. Fonte: o autor. seguintes casos:

para t<0,
Função densidade de probabilidade
Considerando-se uma variável aleatória de-
nominada T que representa o tempo de resposta na e para t≥0,
consulta a um banco de dados, em minutos. Consi-
dere que essa variável aleatória tenha a seguinte fdp:
função densidade de probabilidade:

Em resumo, a fda: função de distribuição

acumulada da variável aleatória T é dada por:

Para calcularmos a probabilidade da respos-

ta demorar mais do que 3 minutos, isto é, P(T > 3),
fazemos:

Função de distribuição acumulada

Considerando X uma variável aleatória con-
tínua com função de densidade de probabilidade f,
define-se sua função de distribuição acumulada por:

15 estatística
 Note que é possível obter qualquer probabi- em que a variável aleatória T era caracterizada por
lidade através da função de distribuição acumulada.
Para a < b, temos:

P(X<a)=P(X≤a)=F(a) temos,

P(X>b)=1-F(b)

P(a<X<b)=F(b)-F(a)

Já foi visto que o cálculo de P(T > 3) pode ser

feito:
Integrando por partes, obte-
P(T>3)=1-P(T≤3)=1-F(3)=1-[1-e -2(3) -6
]=e mos μ=1/2.
Temos também, que,
Com a função de distribuição acumulada F,
pode ser obtido a função densidade de probabilida-
de f derivando:

f(x)=d/dx F(x)

Lembrando que, isso funciona, para todo E(T2 )=1/2, assim,

ponto x em que F é derivável. Assim, a função F
também caracteriza a distribuição de probabilidades σ2=V(T)=E(T2 )-μ2=1/2-(1/2)2=1/4
de uma variável aleatória.

Valor esperado e variância

Uma variável aleatória contínua X, com fun-
ção densidade de probabilidade f, tem valor espera-
do e variância definidos por:

Para interpretarmos tais medidas, podemos

fazer de forma análoga ao caso discreto. Todas as
propriedades enunciadas para o caso discreto conti-
nuam válidas para o caso contínuo, principalmente
para,

V(X)=E(X2 )-μ2

Onde,

16 estatística
 referencias
BARBETTA, P. A. Estatística para cursos de engenharia e informática. 3. ed. São Paulo: Atlas, 2010.

CRESPO, Antônio Arnot. Estatística Fácil. 19. ed. São Paulo: Saraiva, 2009.

MEDRI, W. Análise Exploratória de Dados. Maringá: [s.n.], 2011. 82 p. Notas de Aula.

MORETTIN, L. G. Estatística Básica: probabilidade e inferência. São Paulo - SP: Pearson Prentice Hall,
2010. 378 p.

MONTGOMERY, Douglas C.; RUNGER, George C.; HUBELE, Norma Faris. Estatística Aplicada à enge-
nharia. 2. Ed. Rio de Janeiro: Ltc, 2012.

17 estatística