Escolar Documentos
Profissional Documentos
Cultura Documentos
X((1, 1)) = X((1, 3)) = X((1, 5)) = ((3, 1)) = X((3, 3)) =
X((2, 2)) = X((2, 4)) = X((2, 6)) = X((4, 2)) = X((4, 4)) =
= X((4, 6)) = X((6, 2)) = X((6, 4)) = X((6, 6)) = 2
X : Ω → Rk
ω → (X1 (ω), X2 (ω), . . . , Xk (ω)).
X −1 ({0}) ≡ {ω ∈ Ω : X(ω) = 0}
= {(1, 1), (1, 3), (1, 5), (3, 1), (3, 3), (3, 5), (5, 1), (5, 3), (5, 5)}.
X −1 ({0}) ≡ (X = 0)
e
X −1 ({1, 2}) ≡ (X ∈ {1, 2}).
X −1 ({0}) ≡ (X = 0)
e
X −1 ({1, 2}) ≡ (X ∈ {1, 2}).
É difı́cil provar, usando a definição, que uma certa função é uma v.a.r..
Na prática, recorremos a resultados mais simples para verificar se uma
certa função é uma v.a.r.. Em particular, o teorema seguinte é muito útil.
Theorem
Sejam (Ω, A, P) um espaço de probabilidade e X : Ω → R uma função.
X é uma v.a.r. sse
para todo o c ∈ R, X −1 ( ] − ∞, c] ) ∈ A.
[Sem demonstração]
Capı́tulo II: Variáveis Aleatórias Reais
1. Definição e Exemplos. Considerações gerais.
Exemplos: 1) Considere a experiência aleatória que consiste em lançar
uma moeda equilibrada. O espaço de probabilidade associado é
(Ω, P(Ω), P), em que Ω = {cara , coroa} e P é a medida de probabilidade
de Laplace. Vamos provar, usando o último teorema, que a função
X : Ω → R definida por X(cara) = 1 e X(coroa) = 0 é uma v.a.r..
Seja c ∈ R qualquer. Tem-se,
∅ se c<0
−1
X ( ] − ∞, c] ) = {coroa} se 0 ≤ c < 1 .
Ω se c≥1
Definition
Sejam (Ω, A, P) um espaço de probabilidade e X : Ω → R uma v.a.r..
Chamamos σ-álgebra gerada por X à seguinte famı́lia de subconjuntos
de Ω
X −1 (B(R)) = {X −1 (B), B ∈ B(R)}.
Theorem
Sejam (Ω, A, P) um espaço de probabilidade, X : Ω → R uma v.a.r. e
g : R → R. Se g é uma função contı́nua então g(X) também é uma v.a.r..
[Sem demonstração]
P X −1
[0,1] ←− X −1 (B(R)) ←− B(R)
Definition
A aplicação PX : B(R) → [0, 1] definida por PX = P ◦ X −1 , ie,
c ∈ R, FX (c) = P[X ≤ c] ≡ P[ X −1 ( ] − ∞, c] ) ]
P(∅) se c<0
= P({coroa}) se 0 ≤ c < 1
P(Ω) se c≥1
0 se c<0
1
= se 0 ≤ c<1 .
2
1 se c≥1
Definition
Se existe um subconjunto real D ∈ B(R) finito ou infinito numerável tal
que PX (D) ≡ P(X ∈ D) = 1, diz-se que X é uma v.a.r. discreta e que PX
é uma lei de probabilidade discreta.
O menor subconjunto real D ∈ B(R) que verifica a condição PX (D) = 1 é
designado de contradomı́nio ou suporte da v.a.r. X e denotado por CX .
c ∈ R, FX (c) = PX ( ] − ∞, c] ) ≡ P(X ≤ c)
0 se c < a1
f (a1 ) se a1 ≤ c < a2
f (a1 ) + f (a2 ) se a2 ≤ c < a3
= ..
.
f (a ) + f (a ) + . . . + f (an ) se an ≤ c < an+1
1 2
..
.
X
= f (ai )
ai ∈CX : ai ≤c
Notas: 1) Observe que a lei Bernoulli(p) coincide com a lei Bin(1, p).
2) O acontecimento S é usualmente designado de ”sucesso”.
Capı́tulo II: Variáveis Aleatórias Reais
3.2 Leis de Probabilidade Discretas Mais Conhecidas
III) Lei Hipergeométrica de parâmetros N, M e n:
Considere uma caixa que tem N elementos, dos quais M, com
0 ≤ M ≤ N possuem um certo atributo A, i.e., M elementos têm o tal
atributo e N − M elementos não o têm.
Considere a experiência aleatória que consiste em recolher uma
amostra, sem reposição, de n elementos retirados da caixa e seja X a
v.a.r. que representa o número de elementos da amostra que possuem
o atributo A. Tem-se que X é uma v.a.r. discreta, de contradomı́nio
CX = {max(0, n − (N − M)), . . . , min(n, M)} e função de probabilidade
M N−M
( )( )
k Nn−k se k ∈ CX
(n)
f (k) = .
0 se c.c.
Nestas condições, diz-se que X segue a lei Hipergeométrica de
parâmetros N, M e n, e abrevia-se por X ∼ HG(N, M, n).
Nota: Se a amostra é feita com reposição, tem-se que X ∼ Bin n, M
N .
Capı́tulo II: Variáveis Aleatórias Reais
3.2 Leis de Probabilidade Discretas Mais Conhecidas
IV) Lei de Poisson com parâmetro λ, com λ ∈ R+ :
Seja (Xn )n∈N uma sucessão de v.a.r.’s, todas definidas sobre o mesmo
espaço de probabilidade (Ω, A, P), e tal que Xn ∼ Bin(n, pn ), com
lim npn = λ com λ ∈ R+ .
n→∞
Nestas condições, temos que
lim pn = 0
n→∞
e, para todo o k ∈ N,
n
P(Xn = k) k pkn (1 − pn )n−k n − k + 1 pn λ
= n
= → .
P(Xn = k − 1) pk−1 1 − pn
k−1 n (1 − pn )n−k+1 k k
Isto permite-nos concluir que, para n suficientemente grande, a função
de probabilidade da v.a.r. Xn comporta-se como a de uma v.a.r.
discreta, Y, de contradomı́nio CY = N0 , e tal que
λ
P(Y = k) = P(Y = k − 1) , k ∈ N.
k
Capı́tulo II: Variáveis Aleatórias Reais
3.2 Leis de Probabilidade Discretas Mais Conhecidas
Trabalhando esta última igualdade, concluimos que
λ λ2 λk
P(Y = k) = P(Y = k − 1) = P(Y = k − 2) = . . . = P(Y = 0).
k k(k − 1) k!
Como CY = N0 , temos
+∞ +∞ k
X X λ
1= P(Y = k)⇔1 = P(Y = 0)⇔1 = P(Y = 0)eλ ⇔P(Y = 0) = e−λ .
k!
k=0 k=0
λk −λ
Concluimos assim que, para todo o k ∈ N0 , P(Y = k) = k! e e que a
função de probabilidade de Y é dada por
λk
k! e−λ se k ∈ N0
f (k) = .
se c.c.
0
Nestas condições, diz-se que Y segue a lei de Poisson de parâmetro λ,
e abrevia-se por Y ∼ Poisson(λ).
Capı́tulo II: Variáveis Aleatórias Reais
3.2 Leis de Probabilidade Discretas Mais Conhecidas
Definition
Seja (Ω, A, P) um espaço de probabilidade e X : Ω → R uma v.a.r..
X diz-se difusa se a sua lei de probabilidade, PX , é uma lei de
probabilidade difusa sobre (R, B(R)), i.e.,
Definition
Seja (Ω, A, P) um espaço de probabilidade e X : Ω → R uma v.a.r..
X diz-se difusa se a sua lei de probabilidade, PX , é uma lei de
probabilidade difusa sobre (R, B(R)), i.e.,
Definition
Uma função f : R → R diz-se uma função densidade de probabilidade
sobre R se:
f (x) ≥ 0, para todo o x ∈ R;
R +∞
f é integrável e −∞ f (x)dx = 1.
i.e.,
Z b
P( X ∈ ]a, b[ ) = P( X ∈ [a, b[ ) = P( X ∈ ]a, b] ) = P( X ∈ [a, b] ) = f (x)dx.
a
Theorem
Uma condição necessária e suficiente para que uma v.a.r. X seja
absolutamente contı́nua é que a sua função de distribuição, FX ,
verifique a seguinte condição
Z c
para todo o c ∈ R, FX (c) = PX ( ] − ∞, c] ) ≡ P(X ≤ c) = f (x)dx,
−∞
FX (c) = PX (] − ∞, c]) = PX (] − ∞, c[) = PX ∪ ] − n, c[
n∈N
= lim PX (] − n, c[)
n→∞
Z c
= lim f (x)dx
n→∞ −n
Z c
= f (x)dx.
−∞
1 1
PX ({b}) = PX ∩ b − ,b +
n∈N n n
1 1
= lim PX b − ,b +
n→∞ n n
Z b+ 1
n
= lim f (x)dx
n→∞ b− 1
n
= 0,
e o seu determinante
R +∞
Voltemos agora ao cálculo de −∞ f (x)dx.
( )
+∞ +∞
1 x−m 2
Z Z
1
f (x)dx = √ exp − dx
−∞ −∞ σ 2π 2 σ
Z +∞
(∗∗) 1 1 2
= √ exp − y σdy
−∞ σ 2π 2
= I = 1.
x−m
(∗∗)substituição: y = σ .
H = αH1 + (1 − α)H2 .
H = αH1 + (1 − α)H2 .
diz-se que X não tem esperança matemática (ou que E[X] não
existe).
Capı́tulo II: Variáveis Aleatórias Reais
6. 1 Esperança matemática
Definition
ii) Se X é absolutamente contı́nua com função densidade de
probabilidade f e se
Z +∞
|x|f (x)dx < +∞,
−∞
diz-se que X não tem esperança matemática (ou que E[X] não
existe).
Capı́tulo II: Variáveis Aleatórias Reais
6.1 Esperança matemática
Observações:
1) Se X é uma v.a.r. discreta de contradomı́nio finito então X tem
esperança matemática. Se contradomı́nio de X é infinito numerável
então E[X] pode não existir.
Exemplo: Considere a v.a.r. X, com CX = Z \ {0} e tal que
1
P(X = n) = P(X = −n) = , n ∈ Z \ {0}.
2n(n + 1)
1 1
f (x) = , x ∈ R,
π 1 + x2
conhecida por densidade de Cauchy.
E[X] não existe pois
Z +∞ Z +∞
1 1 1 +∞
|x|f (x)dx = 2 x 2
dx = log(1 + x2 ) 0 = +∞.
−∞ 0 π1+x (1) π
Se
X
|φ(xi )|P(X = xi ) = +∞
xi ∈CX
Definition
ii) Se X é absolutamente contı́nua, com função densidade de
probabilidade f , e se
Z +∞
|φ(x)|f (x)dx < +∞,
−∞
Se Z +∞
|φ(x)|f (x)dx = +∞
−∞
1 − e−x se x ≥ 0
φ(x) = .
0 se x < 0
1 − e−x se x ≥ 0
φ(x) = .
0 se x < 0
E[aX + b] = aE[X] + b
X
|E[φ(X)]| = | φ(xi )P(X = xi ) |
xi ∈CX
X
≤ |φ(xi )|P(X = xi )
xi ∈CX
= E[|φ(X)|]
Definition
Sejam X uma v.a.r. e k ∈ N. Se E[X k ] existe, chamamos momento de
ordem k ao valor de E[X k ].
Caso E[X k ] não exista diz-se que X não tem momento de ordem k.
Definition
Seja X uma v.a.r. tal que E[X] existe e seja k ∈ N. Chama-se momento
centrado de ordem k, denota-se por µk , a
µk = E[(X − E[X])k ]
quando µk existe.
Definition
Seja X uma v.a.r. tal que E[X] existe e seja k ∈ N. Chama-se momento
centrado de ordem k, denota-se por µk , a
µk = E[(X − E[X])k ]
quando µk existe.
Nota: µ1 = E[X − E[X]] = E[X] − E[E[X]] = E[X] − E[X] = 0.
Definition
Seja X uma v.a.r.. Chama-se variância de X, denota-se por Var[X], ao
momento centrado de ordem 2 quando existe, i.e.,
II) Var[X] = 0 sse X é uma v.a.r. quase certa, i.e., existe a ∈ R tal que
P(X = a) = 1.
[Demonstração] TPC [Ver Lopes & Gonçalves]
II) Var[X] = 0 sse X é uma v.a.r. quase certa, i.e., existe a ∈ R tal que
P(X = a) = 1.
[Demonstração] TPC [Ver Lopes & Gonçalves]
Definition
Sejam X uma v.a.r., com função de distribuição F, e p ∈]0, 1[. Define-se
quantil de ordem p, denota-se por χp , a
Definition
Sejam X uma v.a.r., com função de distribuição F, e p ∈]0, 1[. Define-se
quantil de ordem p, denota-se por χp , a
Observações:
1) Se X é uma v.a.r. absolutamente contı́nua, tem-se que χp = F −1 (p).
Definition
Sejam X uma v.a.r., com função de distribuição F, e p ∈]0, 1[. Define-se
quantil de ordem p, denota-se por χp , a
Observações:
1) Se X é uma v.a.r. absolutamente contı́nua, tem-se que χp = F −1 (p).
2) O quantil de ordem p pode ser visto, grosso modo, como o ponto
que divide a lei de probabilidade de X em duas partes disjuntas: a
uma é atribuı́da peso p (a inferior a χp ) e à outra é atribuı́da peso
1 − p (a superior a χp ).
Quando X é absolutamente contı́nua, essa divisão é exacta, i.e.,