MAE399 - Análise de dados e simulação

Prof. Florencia Leonardi

Aula 3: variáveis aleatórias

29 de Fevereiro, 2016
Esperança

n
X
E (X ) = xi p(xi ) se X é discreta
i=1

Z +∞
E (X ) = x f (x)dx se X é contı́nua com densidade f
−∞
Proposição
Se g é uma função então:
n
X
E (g (X )) = g (xi )p(xi ) se X é discreta
i=1

e
Z +∞
E (g (X )) = g (x)f (x) se X é contı́nua com densidade f
−∞
Variância

Var(X ) = E ((X − E (X ))2 )

Proposição

Var(X ) = E (X 2 ) − E (X )2
Covariância

Cov(X , Y ) = E ((X − E (X ))(Y − E (Y )))

Proposição

Cov(X , Y ) = E (XY ) − E (X )E (Y )
Var(X + Y ) = Var(X ) + Var(Y ) + 2Cov(X , Y )

Se X e Y são v.a. independentes então

E (XY ) = E (X )E (Y )
Cov(X , Y ) = 0
Var(X , Y ) = Var(X ) + Var(Y )
Distribuição Bernoulli de parâmetro p

(
1 com probabilidade p
X =
0 com probabilidade 1 − p

p(x)
0.8
0.6
0.4
0.2
0.0

0 1
Distribuição Binomial de parâmetros n e p

 
n k
X =k com probabilidade p (1 − p)n−k , k = 0, 1, . . . , n
k

p(x) p(x)
0.30

0.30
0.20

0.20
0.10

0.10
0.00

0.00

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

Exemplo: n = 10, p = 0.8 Exemplo: n = 10, p = 0.2

Distribuição Poisson de parâmetro λ

e −λ λk
X =k com probabilidade , k = 0, 1, . . .
k!

p(x) p(x)

0.12
0.15

0.08
0.10

0.04
0.05
0.00

0.00
0 2 4 6 8 10 13 16 19 0 3 6 9 12 16 20 24 28

Exemplo: λ = 5 Exemplo: λ = 10
Distribuição Geométrica de parâmetro p

X =k com probabilidade (1 − p)k−1 p, k = 1, 2, . . .

p(x) p(x)
0.20

0.5
0.4
0.15

0.3
0.10

0.2
0.05

0.1
0.00

0.0
0 2 4 6 8 10 13 16 19 0 2 4 6 8 10 13 16 19

Exemplo: p = 0.2 Exemplo: p = 0.5

Distribuição Uniforme no intervalo [a, b]

1
f (x) = x ∈ [a, b]
b−a

f(x)

1.0
0.8
0.6
0.4
0.2
0.0

-1.0 -0.5 0.0 0.5 1.0 1.5 2.0

Exemplo: [a, b] = [0, 1]

Distribuição Exponencial de parâmetros λ

f (x) = λe −λx , x ≥ 0

f(x)

1.0
0.8
0.6
0.4
0.2
0.0

0 1 2 3 4 5

Exemplo: λ = 1
Distribuição Normal de parâmetros µ e σ 2

1 2 2
f (x) = √ e −(x−µ) /2σ , x ∈ R
2πσ

f(x)

0.4
0.3
0.2
0.1
0.0

-4 -2 0 2 4

Exemplo: µ = 0, σ 2 = 1
Teorema Central do Limite
Se X1 , X2 , . . . são variáveis aleatórias independentes e
identicamente distribuı́das com média µ e variância σ 2 < ∞ então
a soma X1 + X2 + . . . Xn tem aproximadamente a distribuição
normal de média nµ e variância nσ 2 .