Variaveis Aleatorias - ISUTC - 2019

Probabilidades e Estatística
Regente: Prof. Dr. Cachimo Assane
Licenciaturas: LECT, LEIT, LEF e LEMT

Tema: Variáveis Aleatórias
ProbEst-Engenharias-ISUTC-2019/Sem II
Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 1 / 34

Conceitos e notações de variáveis aleatórias
Definição: Uma variável aleatória (v.a.) é uma função que associa um número
real a cada resultado do espaço amostral de um experimento aleatório.
a qualquer elemento ω de Ω corresponde um único valor x = X (ω).

A v.a. denota-se em geral por uma letra maiúscula X , Y . . ..
Na prática, estamos interessado no conjunto de valores que a v.a. pode assumir

e na probabilidade de ocorrência de cada valor.
Exemplo 1: Considere um experimento em que cada um de três veículos que
trafegam em uma determinada estrada siga pela saída à esquerda (E) ou à direita
(D) no final da rampa de saída.
Ω = {EEE , DEE , EDE , EED, EDD, DED, DDE , DDD}
Seja X o número de veículos que sigam à direita;

X é uma v.a. que pode assumir um dos valores 0, 1, 2, e 3 com probabilidades

P(X = 0) = P({DDD}) = 1/8

P(X = 1) = P({DEE , EDE , EED}) = 3/8
P(X = 2) = P({EDD, DED, DDE }) = 3/8
P(X = 3) = P({DDD}) = 1/8
A distribuição de probabilidade de X fica:

X 0 1 2 3
P(X) 18 38 3
8
1
8

P(X = 0) = P({DDD}) = 1/8

P(X = 1) = P({DEE , EDE , EED}) = 3/8
P(X = 2) = P({EDD, DED, DDE }) = 3/8
P(X = 3) = P({DDD}) = 1/8
A distribuição de probabilidade de X fica:

X 0 1 2 3
P(X) 18 38 3
8
1
8
As variáveis aleatórias são classificadas em discretas e contínuas

Variáveis Aleatórias Discretas

Variáveis aleatórias discretas
Definições:
Uma variável aleatória X é discreta se ela pode assumir valores em um conjunto
finito ou infinito, porém enumerável.
Função de probabilidade de uma v.a. discreta X
É uma função que associa a cada valor assumido pela v.a. X a probabilidade
do evento correspondente, ou seja, xi → p(xi ) = P(X = xi ), i = 1, 2, . . . , n
de tal forma que:
i) p(xi ) ≥ 0, ∀i, i = 1, 2, . . . , n
Xn
ii) p(xi ) = 1
i=1
Ao conjunto {(xi , p(xi )), i = 1, 2, . . . , n} chama-se distribuição de

probabilidade ou função de massa de probabilidade (fmp) de X ;
Note que X é o nome da v.a., enquanto que xi (minúsculo) é um certo que X
pode assumir.

Função de distribuição de uma v.a. discreta
Definição: Se X é uma v.a. discreta cujos valores possíveis são x1 , x2 , . . . , xn ,

onde x1 < x2 < . . . < xn , então a função de distribuição ou função acumulada
de probabilidade de X , denotada por F (x ), é definida como
X
F (x ) = P(X ≤ x ) = p(xi ).
xi ≤x
Indica a probabilidade de o valor observado de X ser no máximo x .

Para uma v.a. discreta X , F(x) satisfaz as seguintes propriedades:
X
1) F (x ) = P(X ≤ x ) = p(xi ).
xi ≤x
2) 0 ≤ F (x ) ≤ 1
3) Se x ≤ y , então F (x ) ≤ F (y )
4) lim F (x ) = 0 e lim F (x ) = 1;
x →−∞ x →+∞

Exemplo 2: Numa empresa do ramo de petróleo e gás, 25% dos engenheiros não
têm filhos, 50% têm um filho e 25% dos engenheiros têm dois filhos.
Seja X o no de filhos de um engenheiro sorteado ao acaso na empresa.
X é uma v.a. que pode assumir um dos valores 0, 1 e 2.
Função de probabilidade de X :
X 0 1 2
1 1 1
p(xi ) = P(X = xi ) 4 2 4
Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:

Exemplo 2: Numa empresa do ramo de petróleo e gás, 25% dos engenheiros não
têm filhos, 50% têm um filho e 25% dos engenheiros têm dois filhos.
Seja X o no de filhos de um engenheiro sorteado ao acaso na empresa.
X é uma v.a. que pode assumir um dos valores 0, 1 e 2.
Função de probabilidade de X :
X 0 1 2
1 1 1
p(xi ) = P(X = xi ) 4 2 4
Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:

F (0) = P(X ≤ 0) = P(X = 0) = p(0) = 1/4;
F (1) = P(X ≤ 1) = p(0) + p(1) = 3/4;
F (2) = P(X ≤ 2) = p(0) + p(1) + p(2) = 1
Para qualquer outro valor de x , F (x ) será igual ao valor de F mais próximo
possível de X à esquerda de x
Exemplo: F (0, 7) = P(X ≤ 0, 7) = P(X ≤ 0) = 1/4; F (2, 999) = F (2) = 3/4
Exemplo 2 (Cont.):
Portanto, a função de distribuição de X é:

Exemplo 2 (Cont.):
Portanto, a função de distribuição de X é:
0 x <0


 1

0≤x <1
F (x ) = 4
3

 4 1≤x <2

1 2≤x

Exemplo (Cont.): Gráfico da função de distribuição de X
F (x ) é uma função escada ou função degrau, isto é, F dá um passo (salto) de

tamanho p(xi ) em xi , sempre que p(xi ) > 0
Exemplo 3: Considere a seguinte função:
P(X = j) = (8/7)(1/2)j , j = 1, 2, 3.
i) Verifique que a função dada é uma função de probabilidade de X .

ii) Calcule P(X ≤ 1), P(X > 1), P(2 < X < 6) e P(X ≤ 1 ou X > 1)
iii) Determine a função de distribuição de X
iv) Calcule F (1, 99) e F (2, 5)

P(X = j) = (8/7)(1/2)j , j = 1, 2, 3.

iv) Calcule F (1, 99) e F (2, 5)
Resolução:

P(X = j) = (8/7)(1/2)j , j = 1, 2, 3.

iv) Calcule F (1, 99) e F (2, 5)
Resolução:
X 1 2 3
4 2 1
P(X) 7 7 7
3
X
i) P(X = j) = 1. Portanto, p(x ) é uma f.p. de X .
j=1
ii) P(X ≤ 1) = P(X = 1) = 47 ; P(X > 1) = 1 − P(X ≤ 1) = 37 ;

P(2 < X < 6) = P(X = 3) = 17 ;
P(X ≤ 1 ou X > 1) = P(X ≤ 1) + P(X > 1) = 47 + 37 = 1
Resolução (cont.):
X 1 2 3
4 2 1
P(X) 7 7 7
iii) Função de distribuição
0 x <1


 4

1≤x <2
F (x ) = 7 .
6

 7 2≤x <3

1 3≤x
4
iv) F (1, 99) = P(X ≤ 1, 99) = P(X ≤ 1) = F (1) = 7 e
6
F (2, 5) = P(X ≤ 2, 5) = P(X ≤ 2) = F (2) = 7

Obtenção da fmp a partir da função de distribuição
Proposição: Para quaisquer dois números a e b com a ≤ b,
P(a ≤ X ≤ b) = F (b) − F (a− )
onde “a− ” é o maior valor possível de X estritamente menor que a.

Se os valores possíveis de X forem inteiros e, se a e b forem inteiros, então
P(a ≤ X ≤ b) = F (b) − F (a − 1)
Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

Subtrai-se F (a− ) ao vez de F (a) porque queremos incluir P(X = a)
P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)
Note que F (b) − F (a) fornece P(a < X ≤ b)

Exemplo 4: Considere uma v.a. X com os F (0) = 0, 58, F (1) = 0, 72, F (2) =
0, 76, F (3) = 0, 81, F (4) = 0, 88, F (5) = 0, 94, . . .
P(2 ≤ X ≤ 5) =

P(a ≤ X ≤ b) = F (b) − F (a− )

P(a ≤ X ≤ b) = F (b) − F (a − 1)

P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)

0, 76, F (3) = 0, 81, F (4) = 0, 88, F (5) = 0, 94, . . .
P(2 ≤ X ≤ 5) = F (5) − F (1) = 0, 22;
P(X = 3) =
P(a ≤ X ≤ b) = F (b) − F (a− )

P(a ≤ X ≤ b) = F (b) − F (a − 1)

P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)

0, 76, F (3) = 0, 81, F (4) = 0, 88, F (5) = 0, 94, . . .
P(2 ≤ X ≤ 5) = F (5) − F (1) = 0, 22;
P(X = 3) = F (3) − F (2) = 0, 05
Exemplo 5: Uma variável X tem a seguinte função de distribuição



 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) =




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5

ii) P(X < 12) =




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5

ii) P(X < 12) = P(X ≤ 10) = F (10) = 0, 2
iii) P(12 ≤ x ≤ 20) =




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5

ii) P(X < 12) = P(X ≤ 10) = F (10) = 0, 2
iii) P(12 ≤ x ≤ 20) = F (20) − F (11) = 0, 9 − 0, 2 = 0, 7
iv) P(X > 18) =




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5

ii) P(X < 12) = P(X ≤ 10) = F (10) = 0, 2
iii) P(12 ≤ x ≤ 20) = F (20) − F (11) = 0, 9 − 0, 2 = 0, 7
iv) P(X > 18) = 1 − P(X ≤ 18) = 1 − F (18) = 1 − 0, 9 = 0, 1

Média e Variância de uma v.a discreta X
A média e variância são frequentemente usados para resumir a distribuição de
probabilidade de uma v.a.
Definição: Seja X uma v.a. discreta que assume os valores x1 , x2 , . . . , xn com

probabilidades p(x1 ), p(x2 ), . . . , p(xn ), respectivamente. A média, valor
esperado ou esperança matemática ou valor esperado de X , denotado por
E (X ) ou µx , é
Xn
E (X ) = µx = xi p(xi )
i=1
A Esperança matemática é um número real.

Exemplo 6: Seja X o no de filhos dos engenheiros sorteados ao acaso numa
empresa do ramo de petróleo e gás, com a seguinte distribuição de
probabilidade:
X 0 1 2 3
P(X ) 0, 3 0, 4 0, 2 0, 1

Média e Variância de uma v.a discreta X
A média e variância são frequentemente usados para resumir a distribuição de
probabilidade de uma v.a.

probabilidades p(x1 ), p(x2 ), . . . , p(xn ), respectivamente. A média, valor
esperado ou esperança matemática ou valor esperado de X , denotado por
E (X ) ou µx , é
Xn
E (X ) = µx = xi p(xi )
i=1
A Esperança matemática é um número real.

Exemplo 6: Seja X o no de filhos dos engenheiros sorteados ao acaso numa
empresa do ramo de petróleo e gás, com a seguinte distribuição de
probabilidade:
X 0 1 2 3
P(X ) 0, 3 0, 4 0, 2 0, 1
O valor esperado de X (no médio de filhos por engenheiro) é
E (X ) = 0 × 0, 3 + 1 × 0, 4 + 2 × 0, 2 + 3 × 0, 1 = 1, 1.
Propriedades da esperança matemática
i) E (k) = k, K : constante.
ii) E (k · X ) = k · E (X )
iii) E (X ± Y ) = E (X ) ± E (Y )
( n ) n
X X
iv) E Xi = {E (Xi )}
i=1 i=1
v) E (aX ± b) = aE (X ) ± b, a e b constantes.
vi) E (X − µx ) = 0

Variância de uma v.a. discreta
A variância fornece o grau de dispersão (variabilidade) na distribuição de

probabilidade de X em torno da média.

probabilidades p(x1 ), p(x2 ), . . . , p(xn ), respectivamente. A variância de X ,
denotado por Var (X ) ou σx2 , ou apenas σ 2 , é
n
X
Var (X ) = (xi − E (X ))2 p(xi )
i=1
n
X
= xi2 p(xi ) − {E (X )}2 = E (X 2 ) − {E (X )}2
i=1
p
O desvio padrão da variável X é σx = Var (x )
σx
O Coeficiente de variação de X é CV (X ) = E (X ) , E (X ) 6= 0

Exemplo: Considere novamente o no de filhos de um engenheiro.

X P(X ) X · P(X ) X 2 · P(X )
0 0,3 0 0
1 0,4 0,4 0,4
2 0,2 0,4 0,8
3 0,1 0,3 0,9
1 E (X ) = 1, 1 E (X 2 ) = 2, 1

Exemplo: Considere novamente o no de filhos de um engenheiro.

X P(X ) X · P(X ) X 2 · P(X )
0 0,3 0 0
1 0,4 0,4 0,4
2 0,2 0,4 0,8
3 0,1 0,3 0,9
1 E (X ) = 1, 1 E (X 2 ) = 2, 1
Var (X ) = E (X 2 ) − {E (X )}2 = 2, 1 − 1, 12 = 0, 89
√
σx = 0, 89 = 0, 943 filhos (desvio médio em relação a média)
0,943
CV (X ) = 1,1 = 0, 857

Propriedades da variância
i) Var (k) = 0, K : constante.

ii) Var (k · X ) = k 2 · Var (X ).
iii) Var (X ± Y ) = Var (X ) + Var (Y ) ± 2cov (X , Y ), cov (X , Y ) é a covariância
entre X e Y .
Definição: Covariância entre X e Y ,
cov (X , Y ) = E {[X − E (X )].[Y − E (Y )]},
mede o grau de dependência entre as variáveis X e Y .

( n ) n n
X X X
iv) Var Xi = Var (Xi ) + 2 cov (Xi , Xj )
i=1 i=1 i<j
v) Var (aX ± b) = a2 Var (X ), a e b constantes.

Variáveis Aleatórias Contínuas

Conceitos e notações de v.a.’s contínuas
Uma v.a. é contínua: seu conjunto de valores possíveis consiste de um intervalo

completo de todos os valores. Exemplos:
O tempo de chegada de um comboio em uma determinada estação;
O tempo de vida de um dispositivo electrónico;

A profundidade máxima de um lago em um ponto da superfície escolhido
aleatoriamente.
Definição: Dizemos que X é uma variável aleatória contínua em R se existir uma
função f (x ), tal que:
1) f (x ) ≥ 0 (não negativa)
R +∞
2) −∞ f (x )dx = 1.
Nesse caso, a função f (x ) é chamada função densidade de probabilidade (fdp)

Observe que, para quaisquer dois números a e b com a ≤ b,
Z b
P(a ≤ X ≤ a) = f (x )dx
a
significa que a P(X ∈ [a, b]) é a área contida entre o intervalo e abaixo da
curva da função de densidade.
O gráfico de f (x ) normalmente é denominado curva de densidade;

P(a ≤ X ≤ a) = a área abaixo da curva de densidade, entre a e b.
Se X é uma v.a. discreta, obtém-se, para cada xi , uma P(X = xi ) positiva;

Se X é uma v.a. contínua, então para qualquer c, P(X = c) = 0, i.e.
Z c
f (x )dx = 0
c
Além disso, para quaisquer dois números a e b com a < b,
P(a ≤ X ≤ b) =P(a < X ≤ b)

=P(a ≤ X < b) = P(a < X < b)
Ou seja, a probabilidade atribuída a qualquer valor específico é zero e a

probabilidade de um intervalo não depende da inclusão ou não de seus pontos
extremos

Exemplo 1: Um professor de faculdade nunca finaliza sua aula antes do final do
horário e sempre termina dentro de dois minutos após o horário. Seja X : “tempo
entre o fim do horário e o fim da aula”, e suponha que a fdp de X seja
3 2
f (x ) = 8x , 0 ≤ x ≤ 2
0, caso contrário.
i) Verifique que f (x ) é uma função densidade legítima.

ii) Qual é a probabilidade de a aula terminar dentro de 1 minuto após final do
horário?
iii) Qual é a probabilidade de a aula continuar por pelo menos 90 segundos após
o final do horário?
Respostas:

Exemplo 1: Um professor de faculdade nunca finaliza sua aula antes do final do
horário e sempre termina dentro de dois minutos após o horário. Seja X : “tempo
entre o fim do horário e o fim da aula”, e suponha que a fdp de X seja
3 2
f (x ) = 8x , 0 ≤ x ≤ 2
0, caso contrário.
i) Verifique que f (x ) é uma função densidade legítima.

ii) Qual é a probabilidade de a aula terminar dentro de 1 minuto após final do
horário?
iii) Qual é a probabilidade de a aula continuar por pelo menos 90 segundos após
o final do horário?
Respostas:
Z +∞
i) Para verificar que f (x ) é uma f.d.p., basta mostrar que f (x )dx = 1
−∞
Z 2 Z 2
3 2 3 3 1 x =2 1
x dx = x 2 dx = · x 3 = (8 − 0) = 1
0 8 8 0 8 3 x =0 8
Portanto, f (x ) é de facto uma f.d.p.
Resolução (Cont.):
ii) Probabilidade de a aula terminar dentro de 1 minuto do final do horário;
Z 1
3 2 3 1 x =1
P(0 < X < 1) = x dx = · x 3
0 8 8 3 x =0
1 1
= (1 − 0) = = 0, 125
8 8
Significa que 12, 5% das aulas terminam dentro de 1 minuto após o horário.
iii) Probabilidade de a aula continuar por pelo menos 90 segundos após o final
do horário:
Z 2
3 2 3 1 x =2
P(X > 1, 5) = x dx = · x 3
1,5 8 8 3 x =1,5
1 4, 625
= (8 − 3, 375) = = 0, 5781
8 8
Aproximadamente 57, 8% das aulas continuam por pelo menos 90 segundos
após o horário.
Exemplo 2: Suponha que X seja uma variável aleatória contínua cuja função
densidade de probabilidade é dada por
C (4x − 2x 2 ), 0 < x < 2

f (x ) =
0, caso contrário.
i) Qual é o valor de C ?;
ii) Determine P(X > 1)
Solução:

Exemplo 2: Suponha que X seja uma variável aleatória contínua cuja função
densidade de probabilidade é dada por
C (4x − 2x 2 ), 0 < x < 2

f (x ) =
0, caso contrário.
i) Qual é o valor de C ?;
ii) Determine P(X > 1)
Solução:
i) Uma vez que f é uma função densidade de probabilidade, então
Z +∞
f (x )dx = 1, o que implica;
−∞
Z 2
C (4x − 2x 2 )dx =1
0
2x 3 x =2

2
C 2x − =1
3

x =0
3
C=
8
Resolução (Cont.):
ii) Uma vez calculado o C , então
Z ∞
P(X > 1) = f (x )dx
1
3 2
Z
= (4x − 2x 2 )dx
8 1
2x 3 x =2

3 2 1
= 2x − =
8 3 2

x =1

Função de distribuição de uma v.a. contínua
A função de distribuição, F (x ), da v.a. contínua é análoga a da v.a. discreta.
Envolve a substituição do somatório pelo símbolo de integral;

Lembre-se que F (x ) de uma v.a. discreta X é definida como
X
F (x ) = P(X ≤ x ) = p(xi )
xi ≤x
Definição: Se X é uma v.a. contínua, com função densidade f , sua função

distribuição F (x ), definida para cada x , é
Z x
F (x ) = P(X ≤ x ) = f (t)dt
−∞
Para cada x , F (x ) é a área abaixo da curva de densidade à esquerda de x .
O gráfico de F (x ) de uma v.a. contínua não é uma “função escada”, mas uma
função contínua.

Propriedades da função F (x ) para v.a. contínua
i) F é uma função contínua.

ii) F é uma função não decrescente, ou seja, x < y implica F (x ) ≤ F (y )
iii) lim F (x ) = 0; e lim F (x ) = 1;
x →−∞ x →+∞
iv) Se a < b, P[a < X < b] = F (b) − F (a)
Exemplo 3: Seja, novamente, X : “tempo entre o fim do horário e o fim da aula”.
Ao calcularmos F (x ), observamos que:
Z x Z x
1) Para x < 0 ou x > 2, f (x ) = 0 e F (x ) = f (t) = 0dt = 0
−∞ −∞
Z 0 Z x
3 2 3 1 t=x 1
2) Para 0 ≤ x ≤ 2, F (x ) = 0dt + t dt = · t 3 = x 3;
−∞ 0 8 8 3 t=0 8
3) Portanto, 
 0, se x < 0
1 3
F (x ) = x , se 0≤x ≤2
 8
1, se x > 2.

Uso de F (x ) para Calcular as Probabilidades
Assim como no caso de v.a.’s discretas, as probabilidades de diversos intervalos

podem ser calculadas usando uma formula de F (x ).
Proposição: Seja X uma v.a. contínua com fdp f (x ) e f.d. F(x). Então, para
qualquer a,
P(X > a) = 1 − F (a)
e para quaisquer a e b, com a < b,
P(a ≤ X ≤ b) = F (b) − F (a)
ilustração a segunda parte da proposição:

Exemplo 4: A distribuição da quantidade de pedra brita (em toneladas) vendida

por uma empresa de materiais de construção em uma semana é uma va contínua
X com fdp 3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário.
Use F (x ) para calcular a probabilidade de que, em uma semana, a empresa venda
i) pelo menos trezentos quilos de pedra brita;
ii) entre 300 e 750 quilos de pedra brita.
Respostas:
A função de distribuição de vendas para qualquer x entre 0 e 1 é

Exemplo 4: A distribuição da quantidade de pedra brita (em toneladas) vendida

por uma empresa de materiais de construção em uma semana é uma va contínua
X com fdp 3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário.
Use F (x ) para calcular a probabilidade de que, em uma semana, a empresa venda
i) pelo menos trezentos quilos de pedra brita;
ii) entre 300 e 750 quilos de pedra brita.
Respostas:
A função de distribuição de vendas para qualquer x entre 0 e 1 é
Z x
t 3 t=x x3

3 2 3 3
F (x ) = (1 − t )dt = t− = x−
0 2 2 3 2 3

t=0

i) P(X > 0, 3) (vender pelo menos trezentos quilos):
P(X > 0, 3) =1 − P(X ≤ 0, 3) = 1 − F (0, 3)
(0, 3)3

3 0, 873
=1− 0, 3 − =1− = 0, 5635
2 3 2
ii) P(0, 3 ≤ X ≤ 0, 75) (vender entre 300 e 750 quilos).
P(0, 3 ≤ X ≤ 0, 75) =F (0, 75) − F (0, 3)

(0, 75)3

3
= 0, 75 − − 0, 5635
2 3
=0, 9141 − 0, 5635 = 0, 3506
Para X discreta, a fmp é obtida pela f.d. calculando-se a diferença entre dois
valores F (x )
Proposição: Se X for uma v.a. contínua com fdp f (x ) e f.d. F (x ) então, para
qualquer x em que a derivada F 0 (x ) existir,
F 0 (x ) = f (x )
Valor esperado e variância de v.a.’s contínuas
Para v.a.’s contínuas, as definições de E (X ) e Var (X ) são análogas às do caso
discreto, sendo a soma substituída pela integral e a fmp pela fdp.
Definição: O valor médio ou esperado de uma v.a. contínua X com fdp f (x ) é
Z +∞
µx = E (X ) = x · f (x )dx
−∞
Exemplo 8: Considere a fdp das vendas semanais de pedra brita X

3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário. Então

Para v.a.’s contínuas, as definições de E (X ) e Var (X ) são análogas às do caso
discreto, sendo a soma substituída pela integral e a fmp pela fdp.
Definição: O valor médio ou esperado de uma v.a. contínua X com fdp f (x ) é
Z +∞
µx = E (X ) = x · f (x )dx
−∞
Exemplo 8: Considere a fdp das vendas semanais de pedra brita X

3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário. Então
Z +∞ Z 1
3
E (X ) = x · (1 − x 2 )dx
x · f (x )dx =
−∞ 0 2
Z 1 2
x 4 x =1

3 3 3 x 3
= (x − x )dx = − =
2 0 2 2 4 8

x =0

Definição: A variância de uma v.a. contínua X com fdp f (x ) e média µ é
Z +∞
σx2 = Var (X ) = (x − µ)2 · f (x )dx ou
−∞
Var (x ) =E (X 2 ) − [E (X )]2
Z +∞
onde E (X 2 ) = x 2 · f (x )dx
−∞
p
O desvio padrão de X é σX = Var (X )
3
Exemplo 9: Para X = venda semanal de pedra brita, calculamos E (X ) = 8.
Como
Z +∞ Z 1
2 2 3
E (X ) = x · f (x )dx = x 2 · (1 − x 2 )dx
−∞ 0 2
Z 1 3
x 5 x =1

3 3 x 1
= (x 2 − x 4 )dx = − =
2 0 2 3 5 5

x =0

Então a variância de X é
Var (x ) =E (X 2 ) − [E (X )]2
2
1 3 19
= − = = 0, 059
5 8 320
√
O desvio padrão de X é σX = 0, 059 = 0, 244.

Variaveis Aleatorias - ISUTC - 2019

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Variaveis Aleatorias - ISUTC - 2019

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidades e Estatística

Regente: Prof. Dr. Cachimo Assane

Licenciaturas: LECT, LEIT, LEF e LEMT

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 1 / 34

 a qualquer elemento ω de Ω corresponde um único valor x = X (ω).

 Na prática, estamos interessado no conjunto de valores que a v.a. pode assumir

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 3 / 34

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 3 / 34

P(X = 0) = P({DDD}) = 1/8

 A distribuição de probabilidade de X fica:

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 3 / 34

P(X = 0) = P({DDD}) = 1/8

 A distribuição de probabilidade de X fica:

 As variáveis aleatórias são classificadas em discretas e contínuas

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 4 / 34

 Ao conjunto {(xi , p(xi )), i = 1, 2, . . . , n} chama-se distribuição de

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 5 / 34

Definição: Se X é uma v.a. discreta cujos valores possíveis são x1 , x2 , . . . , xn ,

Indica a probabilidade de o valor observado de X ser no máximo x .

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 6 / 34

 Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 7 / 34

 Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 8 / 34

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 8 / 34

 F (x ) é uma função escada ou função degrau, isto é, F dá um passo (salto) de

i) Verifique que a função dada é uma função de probabilidade de X .

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 10 / 34

i) Verifique que a função dada é uma função de probabilidade de X .

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 10 / 34

i) Verifique que a função dada é uma função de probabilidade de X .

ii) P(X ≤ 1) = P(X = 1) = 47 ; P(X > 1) = 1 − P(X ≤ 1) = 37 ;

iii) Função de distribuição

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 11 / 34

P(a ≤ X ≤ b) = F (b) − F (a− )

onde “a− ” é o maior valor possível de X estritamente menor que a.

 Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)

 Note que F (b) − F (a) fornece P(a < X ≤ b)

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 12 / 34

P(a ≤ X ≤ b) = F (b) − F (a− )

onde “a− ” é o maior valor possível de X estritamente menor que a.

 Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)

 Note que F (b) − F (a) fornece P(a < X ≤ b)

P(a ≤ X ≤ b) = F (b) − F (a− )

onde “a− ” é o maior valor possível de X estritamente menor que a.

 Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

P(a ≤ X ≤ b) = F (b) − F (a) + P(X = a)

 Note que F (b) − F (a) fornece P(a < X ≤ b)

Exemplo 5: Uma variável X tem a seguinte função de distribuição

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 13 / 34

Exemplo 5: Uma variável X tem a seguinte função de distribuição

i) P(X ≤ 12) = F (12) = 0, 5

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 13 / 34

Exemplo 5: Uma variável X tem a seguinte função de distribuição

i) P(X ≤ 12) = F (12) = 0, 5

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 13 / 34

Exemplo 5: Uma variável X tem a seguinte função de distribuição

i) P(X ≤ 12) = F (12) = 0, 5

Regente: Prof. Dr. Cachimo Assane (ISUTC) Probabilidades e Estatística ProbEst-Engenharias-ISUTC-2019/Sem II 13 / 34

Exemplo 5: Uma variável X tem a seguinte função de distribuição

i) P(X ≤ 12) = F (12) = 0, 5

a qualquer elemento ω de Ω corresponde um único valor x = X (ω).

Na prática, estamos interessado no conjunto de valores que a v.a. pode assumir

A distribuição de probabilidade de X fica:

A distribuição de probabilidade de X fica:

As variáveis aleatórias são classificadas em discretas e contínuas

Ao conjunto {(xi , p(xi )), i = 1, 2, . . . , n} chama-se distribuição de

Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:

Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:

F (x ) é uma função escada ou função degrau, isto é, F dá um passo (salto) de

Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

Note que F (b) − F (a) fornece P(a < X ≤ b)

Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

Note que F (b) − F (a) fornece P(a < X ≤ b)

Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

Note que F (b) − F (a) fornece P(a < X ≤ b)

Definição: Seja X uma v.a. discreta que assume os valores x1 , x2 , . . . , xn com

A Esperança matemática é um número real.

Definição: Seja X uma v.a. discreta que assume os valores x1 , x2 , . . . , xn com

A Esperança matemática é um número real.

A variância fornece o grau de dispersão (variabilidade) na distribuição de

Definição: Seja X uma v.a. discreta que assume os valores x1 , x2 , . . . , xn com

Exemplo: Considere novamente o no de filhos de um engenheiro.

Exemplo: Considere novamente o no de filhos de um engenheiro.

O tempo de vida de um dispositivo electrónico;

O gráfico de f (x ) normalmente é denominado curva de densidade;

Se X é uma v.a. discreta, obtém-se, para cada xi , uma P(X = xi ) positiva;

Além disso, para quaisquer dois números a e b com a < b,

Ou seja, a probabilidade atribuída a qualquer valor específico é zero e a

Envolve a substituição do somatório pelo símbolo de integral;

Definição: Se X é uma v.a. contínua, com função densidade f , sua função

Para cada x , F (x ) é a área abaixo da curva de densidade à esquerda de x .

Assim como no caso de v.a.’s discretas, as probabilidades de diversos intervalos

ilustração a segunda parte da proposição: