Est Econômica e Intr Econometria 2010 - 1 - PG 1 A 30

Universidade Católica de Petrópolis
Material Didático de Apoio – Estatística Econômica e Introdução à Econometria – Versão Janeiro-2010

Economia – Administração – Ciências Contábeis – Marketing
Prof. Eduardo Gonçalves Barroso
VARIÁVEIS ALEATÓRIAS
Góis 32 “Uma variável X é dita aleatória, ou casual, ou probabilística, ou estocástica, quando assume
valores ao acaso, valores que podem ser esperados mas não certos; ou que representam fenômenos
ou eventos de natureza aleatória.”
Stevenson33 – “Uma variável aleatória é uma função com valores numéricos, cujo valor é
determinado por fatores de chance.”
Angelini34 – “Por variável aleatória se entende um lista de valores ou uma função genérica que
associa um número conveniente aos eventos componentes do espaço amostral de um dado
experimento, sejam eles qualitativos ou quantitativos.”
Spiegel35 – “Suponhamos que a cada ponto de um espaço amostral se atribua um número. Teremos
então uma função definida no espaço amostral. Esta função é chamada variável aleatória (ou
variável estocástica) ou, mais precisamente, função aleatória (ou função estocástica).”
Fonseca e Martins36 – “Sejam E um experimento e S o espaço associado ao experimento. Uma
função X, que associe a cada elemento de S um número real X(S) é denominada variável aleatória.”
Assim, uma variável aleatória X é uma função que tem como domínio o espaço amostral S do
experimento que está sendo realizado e como contradomínio o conjunto dos números reais obtidos
através da aplicação desta variável aleatória.
Variável Aleatória Discreta - é aquela que toma um número finito, ou um número infinito
enumerável, de valores. A variável aleatória é considerada discreta se toma valores que podem ser
contados. (número de terremotos, número de livros numa estante, número de falhas numa peça, etc)
32
Góis, Luís Angelo Contin. Estatística: uma abordagem decisorial. São Paulo: Saraiva, 1980
33
Stevenson, Willian J. Estatística Aplicada à Administração. São Paulo: Harper & Row do Brasil, 1981
34
Angelini, Flávio e Milone, Giuseppe. Estatística Geral. São Paulo: Atlas, 1993
35
Spiegel, Murray Ralph. Probabilidade e estatística. São Paulo: McGraw-Hill do Brasil, 1978
36
Fonseca, Jairo Simon da, Martins, Gilberto de Andrade. Curso de Estatística. São Paulo: Atlas, 1977
1
Variável Aleatória Contínua - é aquela que toma um número infinito não enumerável, de
valores. A variável aleatória é considerada contínua quando pode tomar qualquer valor de determinado
intervalo. (pesos de caixas de batata, duração de uma ligação telefônica, alturas das pessoas em uma
sala, etc)
Segundo Lipschutz37, “uma variável aleatória X num espaço amostral S é uma função de
S no conjunto R dos números reais tal que a imagem inversa de cada intervalo de R seja um evento
de S .”
Exemplo:
Experimento: Lançamento de duas moedas não viciadas.
Seja X a variável aleatória que associa a cada ponto de S o número de caras ocorridos. Determinar o
domínio e a imagem da variável aleatória X
OBSERVAÇÃO:
Este mesmo espaço amostral do experimento de lançar duas moedas, ou de lançar uma moeda duas
vezes, poderia ser o domínio de muitas outras variáveis aleatórias, como por exemplo:
⇒ “o quadrado do número de caras ocorridos“
⇒ “o número de caras ocorridos menos o número de coroas ocorridos“
⇒ “o número de coroas ocorrido menos 5”
Determine a imagem de cada uma das variáveis aleatórias acima definidas.
37
Lipschutz, Seymour. Probabilidade. 4 Ed. Rev. – São Paulo: Makron Books, 1993
2
VARIÁVEIS ALEATÓRIAS DISCRETAS

FUNÇÃO DE PROBABILIDADE
Como vimos, se X é uma variável aleatória discreta num espaço amostral S , o seu
contradomínio será finito, isto é:
X ( S ) =  x 1 , x 2 , x 3 , ........ x n 

Se, para cada ponto x , de
i
X ( S ) , definirmos sua probabilidade como P ( X = x ) , denotada por
i
f ( xi ) , ou seja, se para cada ponto x i

obtivermos a sua imagem, através da aplicação da variável
aleatória X , teremos um espaço de probabilidade.

Esta função f em X ( S ) , isto é definida por f ( xi ) = P ( X = x )é
i
chamada de Distribuição de
Probabilidade ou Função de Probabilidade

P( X = x)
i
é normalmente dada na forma de uma tabela onde para cada valor de x i
teremos o
seu correspondente f ( xi )
x i x 1 x 2 x 3
•••••• x n
f ( x i) f ( x 1) f ( x 2) f ( x 3) •••••• f ( x n)
A probabilidade de que a variável aleatória X assuma o valor x,

i
é portanto, a função de
probabilidade de X , que representamos por P ( X = x)i

ou por f ( xi ) .
No exemplo anterior, em que duas moedas não viciadas são lançadas, determine a função de
probabilidade da variável aleatória X
x i 0 1 2
f ( x i) 1/4 2/4 1/4
3
Uma Distribuição de Probabilidade ou uma Função de Probabilidade deve satisfazer às seguintes

condições:
1) f ( xi ) ≥0
(ou seja, nenhum valor obtido pela aplicação da variável aleatória X aos pontos amostrais de S pode
ser negativo, pois é uma probabilidade)
2) ∑ f (x ) = 1
i =1
i
(ou seja, a soma de todos esses valores de probabilidade, obtidos pela aplicação da variável aleatória X
aos pontos amostrais de S , deve ter soma igual a 1, ou seja, ao somarmos todos esses valores estamos,
indiretamente, fazendo P( S ) que é igual a 1.
Use o exemplo anterior para conferir as duas condições acima
x i 0 1 2
f ( x i) 1/4 2/4 1/4
A soma dos valores desta linha

é igual a 1
Nenhum dos valores da
linha de f(xi) é negativo
OBSERVAÇÃO:
Na linha que representa os valores assumidos como imagem da aplicação da variável aleatória X
podemos ter números negativos, com veremos adiante.
4
ESPERANÇA
Para Spiegel38 “o conceito de esperança matemática, valor esperado, ou simplesmente
esperança de uma variável aleatória, é de grande importância em probabilidade e estatística”
Para Lipschutz39, “se X é uma variável aleatória com a função de probabilidade que
definimos acima, então a média, ou esperança ou valor esperado de X , denotado por E ( X ) ou µ x

,
ou simplesmente, E ou µ , é definido por:”
E (X) = x1 × f ( x1) + x 2 × f ( x 2) +........+ x n × f ( x n)

n
E( X ) = ∑ xi × f ( x i)
i =1
ou seja, E ( X ) é a média ponderada dos possíveis valores de X , cada um ponderado por sua
probabilidade
OBSERVAÇÃO:
A fórmula que usamos para determinar a média de uma tabela de freqüência, em Medidas de Tendência
Central
x=
∑ x. f
∑f
tem uma estreita ligação com a fórmula que estamos vendo para esperança de uma variável aleatória,
que também é uma “média”. Em ambas as fórmulas multiplicamos cada x pelo seu f.
Apenas no caso da esperança, os valores multiplicados, já são “divididos” pelo “total”, aqui
representado pelo cálculo das probabilidades.
Devemos anotar que se estamos operando com variáveis aleatória, a medida pode ser chamada de média,
esperança ou valor esperado.
Se estamos operando com tabelas de freqüência, a medida será chamada apenas de média.
O uso de esperança ou valor esperado é apenas quando estamos lidando com variáveis aleatórias.
38
39
5
Para Angelini40 “a esperança matemática é a medida de tendência central das variáveis aleatórias e
definida como a média aritmética ponderada dos valores que a variável aleatória X pode assumir”
Para Spiegel41 “a média ou esperança de X é um valor único, que atua como representante, ou média,
dos valores de X, e por essa razão costuma-se chamar uma medida de tendência central”
Exemplo:
Calcule a esperança da função de probabilidade abaixo:
x i 0 1 2
f ( x i) 1/4 2/4 1/4
n 1 2 1 4
E(X ) = ∑ xi × f ( xi) = 0 × + 1× + 2 × = =1
i =1 4 4 4 4
TEOREMAS ENVOLVENDO ESPERANÇA DE UMA VARIÁVEL ALEATÓRIA
1) Sejam X uma variável aleatória e k um número real. Então:
a) E(k × X ) = k × E( X )
b) E(k + X ) = k + E( X )
2) Sejam X e Y variáveis aleatórias no mesmo espaço amostral S . Então:
E( X + Y) = E( X) + E(Y)
40
Angelini, Flávio e Milone, Giuseppe. Estatística Geral. São Paulo: Atlas, 1993
41
6
Exemplo:
Seja a função de probabilidade abaixo. Calcule a esperança, da variável aleatória X , e confirme a
validade dos Teoremas do item 1
x i 1 2 4
f ( x i) 0,30 0,25 0,45
Calculando a esperança, encontramos, E ( X ) = 2,6
Fazendo k = 3,
Teremos pelo teorema que E ( k × X ) = k × E ( X ) , ou, E (3 × X ) = 3 × E ( X )
Resultando em 3 x 2,6 = 7,8
Aplicando k = 3, na variável aleatória X, podemos obter a função de probabilidade abaixo:
x i 3 6 12
f ( x i) 0,30 0,25 0,45
E calculando E ( X ) encontramos os mesmos 7,8
Fazendo K = 5,
Teremos pelo teorema que E (k + X ) = k + E ( X ) , ou, E (5 + X ) = 5 + E ( X )
Resultando em 5 + 2,6 = 7,6
x i 6 7 9
f ( x i) 0,30 0,25 0,45
E calculando E ( X ) encontramos os mesmos 7,6
7
VARIÂNCIA E DESVIO PADRÃO
Segundo Lipschutz42 “a média de uma variável aleatória X mede, de certa forma, o valor
médio de X . O próximo conceito, o de variância de X , mede o espalhamento ou a dispersão de X .”
Para Spiegel43 “a variância (ou desvio padrão) é uma medida da dispersão dos valores da
variável aleatória em redor da média. Se os valores tendem a concentrar-se próximos da média , a
variância é pequena; mas se os valores tendem a afastar-se da média, a variância é grande”
Seja X uma variável aleatória com a função de probabilidade que vimos anteriormente
Então, a variância de X , representada por VAR( X ) é dada por:
n
VAR ( X ) = ∑ ( xi − µ ) 2 × f ( xi )
i =1
ou
VAR ( X ) = E ( X 2 ) − { E ( X )} 2
O desvio padrão de X , representado por σ x
, é a raiz quadrada (não negativa) da VAR( X ) .
Exemplo:
Calcule a variância e o desvio padrão da função de probabilidade abaixo:
x i 0 1 2
f ( x i) 1/4 2/4 ¼
n 1 2 1 4
E(X ) = ∑ xi × f ( x i) = 0 × + 1× + 2 × = =1
i =1 4 4 4 4
n 1 2 1 6
E ( X 2 ) = ∑ x i2 × f ( x i ) = 0 2 × + 1 2 × + 22 × = = 1,5
i =1 4 4 4 4
VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 1,5 − ( 1 ) 2 = 0,5 σx = 0,5 = 0,7071
42
43
8
TEOREMAS ENVOLVENDO VARIÂNCIA DE UMA VARIÁVEL ALEATÓRIA
Sejam X uma variável aleatória e k um número real
Então:
a) VAR ( k + X ) = VAR ( X )
b) VAR ( k × X ) = k 2 × VAR ( X )
Seja a função de probabilidade abaixo.

Calcule a variância da variável aleatória X e verifique a validade das teoremas acima
x i 1 2 4
f ( x i) 0,30 0,25 0,45
n
E(X ) = ∑ xi× f ( x i ) = 1 × 0 ,30 + 2 × 0 , 25 + 4 × 0 , 45 = 2 ,6
i =1
n
E ( X 2 ) = ∑ x i2 × f ( x i ) = 12 × 0 ,30 + 2 2 × 0 , 25 + 4 2 × 0 , 45 = 8,5
i =1
VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 8,5 − ( 2,6 ) 2 = 1,74
9
Fazendo K = 3
VAR ( k + X ) = VAR ( X ) → VAR ( 3 + X ) = VAR ( X ) = 1,74
x i 4 5 7
f ( x i) 0,30 0,25 0,45
E podemos calcular a variância desta “nova” função de probabilidade.

n
E(X ) = ∑ xi× f ( x i ) = 4 × 0 ,30 + 5 × 0 , 25 + 7 × 0 , 45 = 5 ,6
i =1
n
E ( X 2) = ∑ x i2 × f ( xi) = 42 × 0 ,30 + 5 2 × 0 , 25 + 72 × 0 , 45 = 33 ,1
i =1
VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 33,1 − ( 5,6 ) 2 = 1,74
Fazendo K = 4
VAR ( k × X ) = k 2 × VAR ( X ) → VAR ( 4 × X ) = (4 )2 × VAR ( X ) = 16 × 1,74 = 27,84
x i 4 8 16
f ( x i) 0,30 0,25 0,45
E podemos calcular a variância desta “nova” função de probabilidade.

n
E(X ) = ∑ xi× f ( x i ) = 4 × 0 ,30 + 8 × 0 , 25 + 16 × 0 , 45 = 10 , 4
i =1
n
E ( X 2) = ∑ x i2 × f ( xi) = 42 × 0 ,30 + 8 2 × 0 , 25 + 16 2 × 0 , 45 = 136
i =1
VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 136 − ( 10,4 ) 2 = 27,84
10
VARIÁVEIS ALEATÓRIAS CONTÍNUAS

FUNÇÃO DENSIDADE DE PROBABILIDADE
Segundo Spiegel44 “se X é uma variável aleatória contínua, a probabilidade de X tomar um

determinado valor é, em geral, zero. Não se pode, pois, definir uma função de probabilidade contínua
da mesma maneira como fizemos no caso de variável discreta. Para que possamos chegar a uma
definição de distribuição de probabilidade contínua, o que tem sentido é falar-se em probabilidade de
X estar compreendido entre dois valores diferentes”
Seja X uma variável aleatória, cujo contradomínio X(S) é infinito não enumerável como, por
exemplo, um intervalo.
Da definição de variáveis aleatórias temos que o conjunto (a ≤ X ≤ b) é um evento em S e,
portanto, a probabilidade de P (a ≤ X ≤ b) está bem definida.
Se existe uma função contínua f : R R a P (a ≤ X ≤ b) é igual a área sob o gráfico de f
entre as abscissas x = a e x = b, integral definida entre os pontos x = a e x = b.
Em linguagem de cálculo, temos:

b
P (a ≤ X ≤ b ) = ∫a f ( x ) dx
Neste caso dizemos que X é uma variável aleatória continua.
A função f é chamada de distribuição de probabilidade contínua ou de função de probabilidade

contínua ou, ainda, função de densidade de probabilidade de X, ou simplesmente função densidade e,
satisfaz as condições:
1) f (x ) ≥ 0 e 2) ∫R f (x ) dx = 1
A primeira porque estamos calculando uma probabilidade e os valores não podem ser negativos e a
segunda porque estamos somando (integrando) todos os valores da variável aleatória, que também são
probabilidades, cuja soma tem que ser igual a 1.
44
11
ESPERANÇA DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS
A esperança E(X) é definida por:
E(X ) = ∫R x f (x ) dx
VARIÂNCIA E DESVIO PADRÃO DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS
A variância - Var (X) - é definida por:


Var ( X ) = E 

( X − µ)2  = ∫R ( x − µ)2 f ( x) dx
ou
Var ( X ) = E (X ) − µ2 2
ONDE:
2
E ( X 2) = ∫ x f ( x ) dx
R
Exemplo:
Seja a variável aleatória contínua definida pela seguinte função de densidade de probabilidade:
0 , para x < 0
x
f(x) = , para 0 ≤ x ≤ 2
2
0, para x > 2
Determinar a esperança e a variância da variável aleatória X.
12
DISTRIBUIÇÕES CONJUNTAS
FUNÇÃO DENSIDADE DE PROBABILIDADE CONJUNTA DISCRETA
Até aqui trabalhamos com variáveis aleatórias em que o resultado do experimento seria
registrado como um único número x. Existem casos, entretanto, em que estamos interessados em duas
ou mais características do mesmo espaço amostral.
Por exemplo, o nosso interesse poderia ser a análise da estatura e do peso de um grupo de
pessoas. Assim, para o mesmo espaço amostral estaríamos gerando dois contradomínios: um referente à
estatura e outro referente ao peso.
Sejam X e Y variáveis aleatórias num espaço amostral S com contradomínio:
X (S ) = { x 1 , x 2 , x 3 , ........ , x n} e Y ( S ) = { y 1 , y 2 , y 3 , ........, y n} , respectivamente.

Se, para cada par ordenado ( xi , y j ) do produto cartesiano
X (S ) × Y (S ) = { ( x 1 , y 1), ( x 1 , y 2), ( x 1 , y 3), .......... , ( x n , y m) }

definirmos sua probabilidade por P ( X = x , Y = y ) , denotada por h( x , y ) , teremos um espaço de
i j i j
probabilidade.
Esta função h em X ( S ) × Y ( S ) , isto é, definida por h( xi , y j ) = P ( X = x ,Y = y ) , é

i j
chamada de Distribuição Conjunta ou Função de Probabilidade Conjunta de X e Y , sendo

normalmente apresentada sob a forma de uma tabela.
13
Y
y y y . . . . y SOMA
1 2
X 3 m
x 1 h( x1 , y1) h( x 1 , y 2 ) h( x1 , y 3) . . . . h( x1 , y m) f ( x1)
x 2 h( x 2 , y1) h( x 2 , y 2 ) h( x 2 , y 3) . . . . h( x 2 , y m) f ( x 2)
x 3 h( x 3 , y1) h( x 3 , y 2 ) h( x 3 , y 3) . . . . h ( x 3 , y m) f ( x 3)
. . . . . .
. . . .
. . . . . .
x n h( x n , y1) h( x n , y 2 ) h( x n , y 3) . . . . h ( x n , y m) f ( x n)
SOMA g ( y1) g ( y 2) g ( y 3) . . . . g ( y m)
As funções f e g acima são definidas por:
m n
f ( xi) = ∑ h ( xi , yj ) e g ( y ) = ∑ h ( xi , yj)
j
j =1 i =1
Isto é, f ( xi ) é a soma dos valores da i-ésima linha e g ( y j ) é a soma dos valores da j-ésima coluna.
Elas, f e g , são chamadas de distribuições marginais (aparecem à margem da tabela) ou FUNÇÃO

DENSIDADE DE PROBABILIDADE MARGINAL e são, de fato, as distribuições individuais de X e
Y , respectivamente.
14
A distribuição conjunta h satisfaz as condições:
1) h( xi , y j ) ≥ 0
n m
2) ∑ ∑ h( x , y ) = 1
i =1 j =1
i j
EXEMPLO:
Seja a tabela abaixo da FDP conjunta das variáveis discretas X e Y.
X -2 0 2 3
Y
3 0,27 0,08 0,16 0
6 0 0,04 0,10 0,35
FUNÇÕES DENSIDADE DE PROBABILIDADE MARGINAL
FDP DE X
X -2 0 2 3
F(X) 0,27 0,12 0,26 0,35
FDP DE Y
Y 3 6
g(y) 0,51 0,49
15
FDP CONDICIONAL
FDP CONDICIONAL DE X
f (x / y ) = P (X = x / Y = y )
i j i j
FDP CONDICIONAL DE Y
f (y / x ) = P (Y = y
j i j
/ X = xi )
Assim, podemos encontrar as FDPs condicionais, da seguinte forma:
FDP CONDICIONAL DE X
f ( x, y )
f (x / y ) =
f (y)
FDP CONDICIONAL DE Y
f ( x, y )
f ( y / x) =
f (x )
16
Na tabela dada, podemos encontrar:
f ( x = − 2, y =3 ) 0,27
f ( x = − 2 / y =3 ) = = = 0,5294
f ( y =3 ) 0,51
f ( x = 2, y = 6 ) 0,10
f ( x = 2 / y =6 ) = = = 0,2041
f ( y =6 ) 0,49
COVARIÂNCIA DE X e Y
Se X e Y são variáveis aleatórias com a distribuição conjunta acima e com médias µ x

e µ y
,
respectivamente, então a covariância de X e Y , denotada por COV ( X , Y ) , É dada por:
COV ( X ,Y) = ∑( xi − µx) • ( y j − µy) • h( xi , y j)
COV ( X , Y ) = E ( X , Y ) − µ •µ x y
n m
OBSERVAÇÃO : E ( X , Y ) = ∑∑x
i=1 j=1
i
• y j
• h( xi , y j
)
17
CORRELAÇÃO DE X eY
Denotada por ρ( X ,Y) , é dada por:
COV ( X , Y )
ρ ( X ,Y ) =
σ X • σY
PROPRIEDADES DA CORRELAÇÃO
1) ρ ( X ,Y ) = ρ (Y , X )
2) −1 ≤ ρ ( X ,Y ) ≤ +1
3) ρ ( X, X ) = 1 e ρ ( X ,− X ) = − 1
18
VARIÁVEIS ALEATÓRIAS INDEPENDENTES
X e Y são variáveis aleatórias independentes se:
P( X = x , Y = y ) = P( X = x )∗ P(Y = y )
i j i j
Se, X e Y tem distribuições f e g, respectivamente, e distribuição conjunta h, a equação acima

pode ser escrita como:
h( xi , y j ) = f ( x i ) × g ( y j )
Em outras palavras, X e Y são variáveis aleatórias independentes, se cada valor h( xi , y j ) for
o produto de seus valores marginais.
PROPRIEDADES DAS VARIÁVEIS ALEATÓRIAS INDEPENDENTES
a) E( X , Y) = E( X ) × E(Y)
b) VAR( X + Y) = VAR( X ) + VAR(Y)
c) COV ( X , Y) = 0
19
EXERCÍCIOS
1) Um dado não viciado é lançado três vezes. Seja X a variável aleatória que associa a cada ponto de S
um número igual ao que ocorre no primeiro lançamento. Determinar a variância de X.
2) Considere a distribuição conjunta abaixo

X\ Y 1 2 3 4
1 0,10 0,30 0 0,20
3 0,05 0,05 0 0,15
2 0,10 0 0,05 0
Determinar a covariância e o coeficiente de correlação entre X e Y.
3) Duas moedas não viciadas são lançadas. Seja X a variável aleatória que associa a cada ponto de S o
número de caras ocorridos. Determinar :
a) o domínio e a imagem da variável aleatória.
b) a função de probabilidade de X
c) a esperança de X
d) o desvio padrão de X
e) a variância de X
4) Uma moeda, viciada de modo que a probabilidade de ocorrer cara é igual a 2/3, é lançada três vezes.
Seja X a variável aleatória que associa a cada ponto de S o maior número de caras sucessivas que
ocorrem. Determinar a esperança de X.
5) Uma moeda viciada de modo que a probabilidade de ocorrer cara é igual a 1/3 é lançada até que
ocorra uma cara ou cinco coroas. Encontre o número esperado de lançamentos da moeda.
20
6) Um jogador lança um dado não viciado. Se ocorrer um número primo, ele ganha este número em
dólares, mas se ocorrer um número que não seja primo ele perde este número em dólares.
Determinar o valor esperado da partida.
7) Um par de dados não viciados é lançado.

a) seja X a variável aleatória que associa a cada ponto de S o maior dos números.
Determinar a esperança de X.
b) seja Y a variável aleatória que associa a cada ponto de S a soma dos números.
Determinar a esperança de Y.
8) Uma moeda, viciada de modo que a probabilidade de ocorrer cara é igual a 3/4, é lançada 3 vezes.
Seja X a variável aleatória que associa a cada ponto de S o número de caras ocorridos. Determinar a
esperança de X.
9) Um jogador lança três moedas não viciadas. Ganha R$ 5,00 se ocorrerem 3 caras, R$ 3,00 se
ocorrerem duas caras e R$ 1,00 se ocorrer somente uma cara. Por outro lado, perde R$ 15,00 se três
coroas ocorrerem. Encontre o valor esperado do jogo.
10) Uma moeda, viciada de modo que a probabilidade de ocorrer coroa é igual a 3/5, é lançada três
vezes. Seja X o número de caras ocorrido. Determinar o desvio padrão da variável aleatória X.
11) Um dado não viciado é lançado três vezes. Seja X a variável aleatória que associa a cada ponto de S
um número igual ao que ocorre no primeiro lançamento. Determinar a variância de X.
12) Uma moeda, viciada de modo que a probabilidade de ocorrer cara é igual a 2/3, é lançada duas
vezes. Seja X a variável aleatória que representa o número de caras ocorrido. Determinar o desvio
padrão da variável aleatória X.
21
13) Uma amostra de 3 objetos é escolhida aleatoriamente de uma caixa contendo 12 objetos, dos quais 3
são defeituosos. Seja X a variável aleatória que associa a cada ponto de S o número de peças
defeituosas. Determinar a esperança de X.
14) Uma moeda não viciada é lançada quatro vezes. Seja X o número de caras que ocorrem. Determinar
o desvio padrão da variável aleatória X.
15) Dois cartões são selecionados aleatoriamente de uma caixa que contem seis cartões com os números
2, 2, 3, 4, 4 e 5. Seja X a soma dos números. Determinar o desvio padrão da variável aleatória X.
16) Uma moeda, viciada de modo que a probabilidade de ocorrer cara é igual a 2/5, é lançada duas
vezes. Seja X a variável aleatória que associa a cada ponto de S o número de caras ocorridos.
Determinar o desvio padrão da variável aleatória X.
17) Lança-se um dado não viciado. Seja X o dobro do número ocorrido. Seja Y, igual a 1 ou 3, conforme
ocorra um número ímpar ou par, respectivamente. Determinar o desvio padrão de X e o desvio
padrão de Y.
18) Lança-se um dado. Seja X a variável aleatória que associa a cada ponte de S o número 1 se sair face
6 e o número -1, em caso contrário. Determinar a variância de X.

X\ Y 2 3 5
2 0,12 0,30 0,15
3 0,06 0,09 0,07
4 0,13 0 0,08
Determinar a correlação entre X e Y.
22

X\ Y 1 3 6 7
1 0,08 0,20 0,02 0,13
2 0,05 0,05 0 0,05
4 0,10 0 0,05 0
5 0,03 0,07 0,10 0,07

X\ Y 1 2 3 4 5
1 0,10 0,30 0,03 0,10 0,05
3 0,08 0,05 0 0,15 0,14
22) Determinar a correlação do exercício de número 17.
23) Considere a distribuição conjunta abaixo:

X\ Y 1 2 3
1 0,08 0,05 0,03
3 0,21 0,05 0
4 0,04 0,14 0,20
5 0,11 0,05 0,04
23

X\ Y 1 3 5 6
1 0,10 0,30 0,13 0,10
2 0,08 0,14 0 0,15
25) A tabela abaixo fornece a probabilidade de que um sistema de computação fique fora de operação
um dado número de períodos por dia durante a fase inicial de instalação do sistema. Calcular:
a) o número esperado de vezes que o computador fique fora de operação por dia.
b) a variância desta distribuição de probabilidade.
Número de períodos – x 4 5 6 7 8 9
Probabilidade – P(x) 0,01 0,08 0,29 0,42 0,14 0,06
26) O número de caminhões que chegam, por hora, a um depósito segue a distribuição de probabilidade
da tabela abaixo. Calcular:
a) o número esperado de chegadas por hora.
b) A variância desta distribuição de probabilidade.
Número de caminhões – x 0 1 2 3 4 5 6
Probabilidade – P(x) 0,05 0,10 0,15 0,25 0,30 0,10 0,05
27) Uma empresa sabe que a projeção de suas vendas pode variar de 0 a 25.000 unidades com as
probabilidades apresentadas na tabela abaixo:
Unidades vendidas – x 2500 7500 12500 17500 22500
Probabilidade – P(x) 0,02 0,08 0,80 0,08 0,02
Determinar o número esperado de quantidades vendidas e a variância da distribuição de
probabilidade.
24
28) Seja X uma variável aleatória contínua, com a seguinte função densidade:
0 , para x < 0
2 , para 0 ≤ x ≤ 1
f(x) = 3x
0, para x > 1
Calcular a esperança, a variância e o desvio padrão.
29) Sejam M e N duas variáveis aleatórias independentes com as seguintes distribuições:
mi 1 3 ni 5 10 12
P 0,6 0,4 P 0,3 0,5 0,2
a) Achar a distribuição conjunta de M e N;

b) Calcular a esperança de cada uma das variáveis aleatórias M e N;
c) Calcular o desvio padrão das variáveis aleatórias M e N;
d) Qual é o valor do coeficiente de correlação entre M e N.
30) Uma variável aleatória X, tem uma densidade de probabilidade dada por:
k
, para 1 ≤ x ≤ 2
x
f(x) =
0, caso contrário
a) Determinar o valor de k;
b) Determinar a esperança de X;
c) Determinar o desvio padrão de X.
25
31) Seja X uma variável aleatória contínua com a seguinte densidade:
1
x , para 0 ≤ x ≤ 2
2
f(x) =
0, caso contrário
Determinar a esperança, a variância e o desvio padrão de X
32) Seja X uma variável aleatória contínua com função de densidade:
1
x + k , para 0 ≤ x ≤ 3
6
f(x) =
0, caso contrário
a) Calcule o valor de K
b) Ache P ( 1 ≤ x ≤ 2 )
26
Respostas Exercícios
1 2,9167
2 a 0,1250
b 0,1217
3 a Df(x) = {kk, kc, ck, cc}
Im f(x) = { 0, 1, 2 }
b x 0 1 2
f(x) 1/4 2/4 1/4
c 1,0000
d 0,7071 24 0,0585
e 0,5000 25 a 6,7800
4 1,8519 b 1,0316
5 2,6049 26 a 3,1500
6 -1/6 b 2,1275
7 a 4,4722 27 a 12.500
b 7,0000 b 8.000.000
8 2,2500 28 a 3/4
9 2/8 b 0,0375
10 0,8485 c 0,1936
11 2,9167 29 a tabela
12 0,6667 de M b 1,8000
13 0,7500 de N 8,9000
14 1,0000 de M c 0,9798
15 1,3983 de N 2,6627
16 0,6928 d zero
17 de X 3,4157 30 a 1,4427
de Y 1,0000 b 1,4427
18 0,5555 c 0,2874
19 -0,0473 31 a 4/3
20 0,0896 b 0,2222
21 0,3568 c 0,4714
22 0,2928 32 a 1/12
23 0,1894 b 1/3
27
EXERCÍCIOS COMPLEMENTARES
1) Uma variável aleatória contínua é dada por:
2 , para 2 ≤ x < 5
k x
f(x) = k (8 − x), para 5 ≤ x ≤ 8
0, caso contrário
a) Determinar o valor da constante k para que f(x) seja uma função densidade de probabilidade
8 27
b) Calcular: P ( ≤ x ≤ )
2 2
2) Uma moeda honesta é lançada sucessivamente até sair cara ou até serem feitos três lançamentos.
Obter a distribuição de X que associa a cada ponto de S o número de lançamentos e calcular a média
e a variância da função de probabilidade.
3) Uma urna contém 5 bolas brancas e 7 bolas pretas. Três bolas são retiradas aleatoriamente da urna. Se
ganharmos $ 200, por bola branca retirada e perdermos $ 100, por bola preta retirada, determinar qual
será o lucro esperado desta variável aleatória.
4) Seja (x,y) uma variável aleatória bidimensional discreta, com a seguinte função de probabilidade:
2 xi + y j
42
, para xi = 0, 1, 2 e y j = 0, 1, 2, 3
P( xi ; y j ) =
o, caso contrário
28
Pede-se:
a) Determinar a tabela da distribuição de probabilidade conjunta;
b) Determinar a tabela da distribuição marginal de X e da distribuição marginal de Y;
c) Calcular a esperança de (X - 2Y + 4)
5) Uma carta é retirada aleatoriamente de um baralho comum de 52 cartas. A variável aleatória X anota
o número de damas obtido nesta retirada. Determinar a esperança da variável aleatória X.
6) Duas cartas são retiradas aleatoriamente de um baralho comum de 52 cartas. Seja X a variável
aleatória que anota o número de valetes obtidos. Determinar o desvio padrão da variável aleatória.
7) Uma urna A contém 3 bolas brancas e 2 bolas pretas. A urna B contém 5 bolas brancas e uma bola
preta. Uma bola é retirada ao acaso de cada urna e a variável aleatória X anota o número de bolas
brancas obtidas. Determinar o desvio padrão da variável aleatória X.
8) Uma confeitaria produz cinco bolos em um determinado dia. As probabilidades de vender nenhum,
um, dois, três, quatro ou cinco bolos são, respectivamente, 1%, 5%, 20%, 30%, 29% e 15%. O custo
total de produção de cada bolo é de $ 10 u.m. e o preço unitário de venda de cada um desses bolos é
de $ 20 u.m. Calcular o lucro médio, a variância e o desvio padrão.
9) Seja X uma variável aleatória contínua com a função densidade de probabilidade dada por:
24
2 , se 0 ≤ x ≤ b
x
f (x) =
0, caso contrario
Calcular o valor de b que garanta a existência da função densidade de probabilidade (fdp)

29
10) Seja X uma variável aleatória contínua com função densidade de probabilidade dada por:
x, se 0 ≤ x ≤ 1
f (x) =
3, se 1 ≤ x ≤ c
x
0, caso contrario
Calcular o valor de c que garanta a existência da fdp
11) A função abaixo é uma função densidade de probabilidade, com b - a = 0,5

0,2 + 3x, se a ≤ x ≤ b
f (x) =
0, caso contrario
Calcular o valor de a e b
Respostas
Exercício Item Resposta Exercício Item Resposta
1 a) 2/87 7 0,6156
b) 149/261 8 E(X) 15,2
2 Média 1,75 Variância 524,96
Variância 0,6875 Desvio Padrão 22,9120
3 75 9 1/2
4 c) 70/42 10 4 3
5 0,0769 11 a= 0,35
6 0,3730 b= 0,85
30

Est Econômica e Intr Econometria 2010 - 1 - PG 1 A 30

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

Est Econômica e Intr Econometria 2010 - 1 - PG 1 A 30

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Católica de Petrópolis

Material Didático de Apoio – Estatística Econômica e Introdução à Econometria – Versão Janeiro-2010

Determine a imagem de cada uma das variáveis aleatórias acima definidas.

VARIÁVEIS ALEATÓRIAS DISCRETAS

f ( xi ) , ou seja, se para cada ponto x i

aleatória X , teremos um espaço de probabilidade.

Probabilidade ou Função de Probabilidade

A probabilidade de que a variável aleatória X assuma o valor x,

probabilidade de X , que representamos por P ( X = x)i

Uma Distribuição de Probabilidade ou uma Função de Probabilidade deve satisfazer às seguintes

Use o exemplo anterior para conferir as duas condições acima

A soma dos valores desta linha

definimos acima, então a média, ou esperança ou valor esperado de X , denotado por E ( X ) ou µ x

ou simplesmente, E ou µ , é definido por:”

E (X) = x1 × f ( x1) + x 2 × f ( x 2) +........+ x n × f ( x n)

TEOREMAS ENVOLVENDO ESPERANÇA DE UMA VARIÁVEL ALEATÓRIA

1) Sejam X uma variável aleatória e k um número real. Então:

2) Sejam X e Y variáveis aleatórias no mesmo espaço amostral S . Então:

Calculando a esperança, encontramos, E ( X ) = 2,6

E calculando E ( X ) encontramos os mesmos 7,8

E calculando E ( X ) encontramos os mesmos 7,6

VARIÂNCIA E DESVIO PADRÃO

VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 1,5 − ( 1 ) 2 = 0,5 σx = 0,5 = 0,7071

TEOREMAS ENVOLVENDO VARIÂNCIA DE UMA VARIÁVEL ALEATÓRIA

Sejam X uma variável aleatória e k um número real

Seja a função de probabilidade abaixo.

VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 8,5 − ( 2,6 ) 2 = 1,74

VAR ( k + X ) = VAR ( X ) → VAR ( 3 + X ) = VAR ( X ) = 1,74

Aplicando k = 3, na variável aleatória X, podemos obter a função de probabilidade abaixo:

E podemos calcular a variância desta “nova” função de probabilidade.

VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 33,1 − ( 5,6 ) 2 = 1,74

VAR ( k × X ) = k 2 × VAR ( X ) → VAR ( 4 × X ) = (4 )2 × VAR ( X ) = 16 × 1,74 = 27,84

Aplicando k = 4, na variável aleatória X, podemos obter a função de probabilidade abaixo:

E podemos calcular a variância desta “nova” função de probabilidade.

VAR ( X ) = E ( X 2 ) − { E ( X ) } 2 = 136 − ( 10,4 ) 2 = 27,84

VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Segundo Spiegel44 “se X é uma variável aleatória contínua, a probabilidade de X tomar um

Em linguagem de cálculo, temos:

Neste caso dizemos que X é uma variável aleatória continua.

A função f é chamada de distribuição de probabilidade contínua ou de função de probabilidade

ESPERANÇA DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS

A esperança E(X) é definida por:

VARIÂNCIA E DESVIO PADRÃO DE VARIÁVEIS ALEATÓRIAS CONTÍNUAS

A variância - Var (X) - é definida por:

Determinar a esperança e a variância da variável aleatória X.

Sejam X e Y variáveis aleatórias num espaço amostral S com contradomínio:

X (S ) = { x 1 , x 2 , x 3 , ........ , x n} e Y ( S ) = { y 1 , y 2 , y 3 , ........, y n} , respectivamente.

X (S ) × Y (S ) = { ( x 1 , y 1), ( x 1 , y 2), ( x 1 , y 3), .......... , ( x n , y m) }

Esta função h em X ( S ) × Y ( S ) , isto é, definida por h( xi , y j ) = P ( X = x ,Y = y ) , é

chamada de Distribuição Conjunta ou Função de Probabilidade Conjunta de X e Y , sendo

As funções f e g acima são definidas por:

Elas, f e g , são chamadas de distribuições marginais (aparecem à margem da tabela) ou FUNÇÃO

A distribuição conjunta h satisfaz as condições:

FUNÇÕES DENSIDADE DE PROBABILIDADE MARGINAL

Na tabela dada, podemos encontrar:

Se X e Y são variáveis aleatórias com a distribuição conjunta acima e com médias µ x

respectivamente, então a covariância de X e Y , denotada por COV ( X , Y ) , É dada por:

COV ( X ,Y) = ∑( xi − µx) • ( y j − µy) • h( xi , y j)

Denotada por ρ( X ,Y) , é dada por:

VARIÁVEIS ALEATÓRIAS INDEPENDENTES

X e Y são variáveis aleatórias independentes se:

Se, X e Y tem distribuições f e g, respectivamente, e distribuição conjunta h, a equação acima

Em outras palavras, X e Y são variáveis aleatórias independentes, se cada valor h( xi , y j ) for