Escolar Documentos
Profissional Documentos
Cultura Documentos
Teodoro Brás
November 8, 2022
Uma variável aleatória (v.a.) é uma função X que atribui um número a cada um dos resultados
possíveis de uma experiência aleatória,
X : S {espaço amostral } −→ R
As variáveis aleatórias são representadas por letras maiúsculas, ao passo que os valores que elas
tomam são designados por letras minúsculas. Por exemplo, P(X = x) representa a probabilidade
de v.a. X tomar o valor (teórico ) x.
Uma v.a. pode ser:
discretra (ou categórica ou qualitativa): se toma um número finito de valores ou um
número infinito numerável de valores.
Uma v.a. discreta pode ser:
I ordinal: se existe uma ordem natural entre os diferentes valores da v.a.
I nominal: caso contrário.
contínua (ou quantitativa): se toma um número infinito não numerável de valores.
P(X = x) se x ∈ S,
f (x) =
0, se x ∈
/ S.
f : {valores de X} −→ R
Propriedades
f (x) > 0
∑ f (x) = 1
x∈S
F : R → [0, 1]
F(x) = P(X ≤ x) = ∑ f (u) (2)
u≤x
O teste de um novo fármaco passa pela prescrição do mesmo aos primeiros 4 pacientes que
necessitem de medicação análoga. X v.a. que representa o número de pacientes , em 4, que
melhoram com o novo fármaco.
X : {0, 1, 2, 3, 4} → R, X(x) = x
De experiência anterior (efectuadas em muitos grupos de 4 pacientes), sabe-se que:
a probabilidade de nenhum indivíduo, em 4, melhorar com o novo fármaco é 0.008
a probabilidade de 1 indivíduo, em 4, melhorar com o novo fármaco é 0.076
a probabilidade de 2 indivíduos, em 4, melhorarem com o novo fármaco é 0.265
a probabilidade de 3 indivíduos, em 4, melhorarem com o novo fármaco é 0.411
a probabilidade de 4 indivíduos, em 4, melhorarem com o novo fármaco é 0.240
Assim, F : R −→ R
0, x<0
0.008, 0≤x<1
0.008 + 0.076 = 0.084, 1≤x<2
F(x) =
0.084 + 0.265 = 0.349, 2≤x<3
0.349 + 0.411 = 0.760, 3≤x<4
4≤x
0.760 + 0.240 = 1,
Nos casos discretos para uma função de distribuição, o gráfico é apresenta como uma escada.
Definição: Seja X uma v.a. contínua com função densidade de probabilidade f . A sua função
de distribuição acumulada (f.d.a) F(x) está definida para qualquer valor x e é dada por:
Z x
F(x) = P(X ≤ x) = f (u)du (4)
−∞
Propriedades
A função de distribuição acumulada F da v.a. contínua deve satisfazer as seguintes condições
i. É uma função contínua
ii. 0 ≤ F(x) ≤ 1, ∀x
iii. F(x1 ) ≤ F(x2 ), se x1 ≤ x2
iv. lim F(x) = 0 e lim F(x) = 1
x→−∞ x→+∞
∂
v. f (x) = dx se a função de distribuição acumulada for derivável.
vi. P(a ≤ X ≤ b) = F(b) − F(a)
Duas linhas de produção fabricam um certo tipo de motor. Suponhamos que a capacidade
máxima de produção diária seja de 3 motores em qualquer uma das linhas. Seja X a v.a. que
representa o número de motores produzidos na linha 1 e Y a v.a. que representa o número de
motores produzido na linha 2. A tabela abaixo representa a função de probabilidade conjunta.
1 Determinar:
a) A probabilidade de a linha 1 produzir mais motores do que a linha 2
b) A probabilidade de a linha 1 produzir tantos motores como a linha 2
c) A probabilidade de a linha 1 produzir menos motores do que a linha 2
d) A probabilidade de a linha 1 produzir menos 2 motores, e a linha 2 produzir 2 ou 3 motores
Resolução
2 3
a) P(X > Y ) = ∑ ∑ fXY (x, y) = (0.04 + 0.09 + 0.12) + (0.08 + 0.11) + 0.08 = 0.52
y=0 x=y+1
3
b) P(X = Y ) = ∑ fXY (x, y) = 0.0 + 0.06 + 0.08 + 0.08 = 0.22
x=y
c) P(X < Y ) = 1 − (0.22 + 0.52) = 0.26 ou 0.01 + 0.01 + 0.08 + 0.01 + 0.06 + 0.09 = 0.26
1 3
d) P(0 ≤ X ≤ 1, 2 ≤ Y ≤ 3) = ∑ ∑ fXY (x, y) = 0.01 + 0.01 + 0.08 + 0.06 = 0.16
x=0 y=2
Definição: Seja (X,Y ) um vector aleatório discreto com função de probabilidade conjunta fXY .
A sua função de distribuição acumulada conjunta FXY está definida para todo o par ordenado
(x, y) ∈ R2 e é dada por
Vamos considerar novamente o caso das 2 linhas de produção que fabricam um certo tipo de
motor.
Determinar FXY (2, 1)
Resolução:
2 1
FXY (2, 1) = P(X ≤ 2,Y ≤ 1) = ∑ ∑ fXY (x, y) = 0 + 0.01 + 0.04 + 0.06 + 0.09 + 0.08 = 0.28
x=0 y=0
Vamos considerar novamente o caso das 2 linhas de produção que fabricam um certo tipo de
motor, slide 19. Determinar as funções de probabilidades marginais fX (x) e fY (y)
Resolução:
Pela definição, obtém-se:
3
fy (0) = ∑ fXY (x, 0) = 0.0 + 0.04 + 0.09 + 0.12 = 0.25
x=0
3
fY (1) = ∑ fXY (x, 1) = 0.01 + 0.06 + 0.08 + 0.11 = 0.26
x=0
...
3
fX (0) = ∑ fXY (0, y) = 0.0 + 0.01 + 0.01 + 0.01 = 0.03
y=0
3
fX (1) = ∑ fXY (1, y) = 0.04 + 0.06 + 0.08 + 0.06 = 0.24
y=0
...
Propriedades
(i)
Uma fábrica de produtos alimentares produz cereais de milho e aveia, cobertos ou não com
mel, e que são misturados e embalados em caixas. As variáveis aleatórias X e Y representam,
respectivamente, as proporções de cereais de milho e aveia, cobertos mel, existentes numa caixa
seleccionada ao acaso. A função densidade de probabilidade conjunta é:
(
x + y, x ∈ [0, 1] , y ∈ [0, 1]
fXY (x, y) =
0, para outros valores
Resolução:
a)
1 1 1 12 Z 1 1
x2
1 1 1 1 y 2 5
Z Z Z
2 2 2 2
P(0 < X < , < Y < ) = (x+y)dxdy = + xy dy = 1 + dy =
2 4 2 1
4 0 1
4
2 0 4
8 2 1 64
4
b)
Z +∞ Z +∞ Z 1Z 1 Z 1 2 x=1 Z 1
x 1
fXY (x, y)dxdy = (x + y)dxdy = + xy dy = + y dy = 1
−∞ −∞ 0 0 0 2 x=0 0 2
Definição: Seja (X,Y ) um vector aleatório contínuo com função densidade de probabilidade
conjunta fXY . A função distribuição acumulada conjunta FXY está definida para todo o par
ordenado (x, y) ∈ R2 e é dada por:
Z x Z y
FXY (x, y) = P(X ≤ x,Y ≤ y) = fXY (u, v)dudv (12)
−∞ −∞
Teorema:
∂ 2 FXY (x,y)
Seja (X,Y ) um vector aleatório contínuo. Se ∂ x∂ y existir, então
∂ 2 FXY (x, y)
fxY (x, y) =
∂ x∂ y
Consideremos o caso da fábrica de produtos alimentares que produz cereais de milho e aveia,
cobertos ou não com mel. Determinar fX (x) e fY (y)
Resolução:
Pela definição (fórmula 13 e 14), temos:
Z +∞ Z 1
1
fX (x) = fXY (x, y)dy = (x+y)dy = x+ para 0 ≤ x ≤ 1 e fX (x) = 0 para outros valores de x.
−∞ 0 2
De forma análoga,
Z +∞ Z 1
1
fY (y) = fXY (x, y)dy = (x+y)dx = y+ para 0 ≤ y ≤ 1 e fY (y) = 0 para outros valores de y.
−∞ 0 2
Definição: Seja fXY a função de probabilidade conjunta (f.p. conjunta, no caso contínuo) do
vector aleatório (X,Y ) e fX e fY as funções de probabilidade marginais (f.d.p. marginais, no
caso contínuo) de, respectivamente, X e Y .
A função de probabilidade condicional de X dado Y = y, no caso discreto e a função den-
sidade de probabilidade condicional de X dado Y = y, no caso contínuo, são dadas por
fXY (x, y)
fX|Y =y (x) = , se fY (y) > 0 (19)
fY (y)
De forma análoga, função de probabilidade condicional de Y dado X = x, no caso discreto e
a função densidade de probabilidade condicional de Y dado X = x no caso contínuo, é
fXY (x, y)
fY |X=x (y) = , se fX (x) > 0 (20)
fX (x)
Resolução:
a) Por definição (fórmula 13),
Z +∞
fX (x) = fX,Y (x, y). Assim, para 0 ≤ x ≤ 1
−∞
y=1
xy2
Z 1
8 8 8 3 1 3
fX (x) = (1 − xy)dy = y− = 1− x+ x
x 3 3 2 y=x 3 2 2
b) Pela fórmulas 14 Z +∞
fY (y) = fX,Y (x, y)
−∞
x=y
x2 y
Z y
8 8 8 1
fY (y) = (1 − xy)dx = x− = y − y3 , para 0 ≤ y ≤ 1.
0 3 3 2 x=0 3 2
Resolução:
c) Por definição (fórmula 20), temos:
x3
8 8 − 4y 8 3 5
fXY (x, y) = (1 − xy) = e fX (x) = 1− x+ = (subistituir em (20))
3 3 3 2 2 6
8
teremos: 5 (2 − y)
1
8 2y − y2
Z 1 Z 1
8
P(Y > 0.75|X = 0.5) = fY |X=0.5 (y)dy = (2 − y)dy = = 0.45
0.75 0.75 5 5 2 0.75
Resolução:
Visto que podemos factorizar a f.d.p. conjunta
Resolução:
Já vimos que
x3
Z +∞
8 3
fX (x) = fXY (x, y)dy = 1− x+ ,0 ≤ x ≤ 1
−∞ 3 2 2
Z +∞
8 1 3
fY (y) = fXY (x, y)dx = y− y ,0 ≤ y ≤ 1
−∞ 3 2
Logo, fXY (x, y) 6= fX (x) fY (y) e, portanto, X e Y não são independentes.
A cada distribuição de probabilidade podemos associar certas constantes que fornecem infor-
mação relevante sobre a distribuição. Uma dessas constantes é a média ou valor esperado
ou esperança matemática de cada v.a. que indica onde a distribuição de probabilidade está
centrada.
A notação usada para média da v.a. X é tradicionalmente µ ou, mais explicita µX ou E(X).
Definição: A média ou valor esperado da v.a. X é a constante
se X é discreta, e
Z +∞
µ = µX = E(X) = x f (x)dx (23)
−∞
se X é contínua
e, no caso contínuo,
Z +∞
E X2 = x2 f (x)dx
−∞
Z +∞ Z +∞
E(XY ) = xy f (x, y)dydx, caso contínuo (25)
−∞ −∞
Caso discreto
A firma MacSoft Corporation comercializa máquinas de musculação e outros artigo desportivos.
Suponha que X é a variável aleatória que representa o número de máquinas de musculação que
esta firma vende por semana e que tem a seguinte função de probabilidade:
x 7 8 9 10 11 12
1 1 1 2 3 1
f(x) 20 10 4 5 20 20
Determine o número médio de máquinas de musculação vendidas por semana.
Resolução:
Usando a fórmula 22, temos:
1 1 1 2 3 1 193
µ = E(X) = 7 × + 8 × + 9 × + 10 × + 11 × + 12 × =
20 10 4 5 20 20 20
Caso contínuo
Considere-se X uma v. a. contínua com função densidade de probabilidade dada por:
(
x
0<x<2
f (x) = 2
0 , caso contrário
Determine o valor esperado de X.
Resolução:
Pela definição (fórmula 23), obtemos:
2
Z 2 2
x3
Z +∞ Z 2 Z 2
x x 1 2 4
µ = E(X) = x f (x)dx = xdx = dx = + x dx = =
−∞ 0 2 0 2 2 0 6 3
0
Definição: Seja X uma v.a. com função de probabilidade f (x). A variância de X, denotada
por Var(X) ou σ 2 , ou σX2 , é definido por
h i
Var(X) = σ 2 = σX2 = E (X − µ)2 = ∑ (x − µ)2 f (x) (26)
x
se X é discreta, e
h i Z +∞
Var(X) = σ 2 = σX2 = E (X − µ)2 = (x − µ)2 f (x)dx (27)
−∞
se X é contínua.
Teorema 1.1: A variância da v.a. X é a constante
Var(X) = σ 2 = σX2 = E X 2 − µ 2
Demonstração: a cargo do estudante, para caso contínuo é análoga, mas com os somatórios
subtituídos por integrais.
Propriedades da variância
Sendo X e Y v.a. e k ∈ R
1 Var(k) = 0;
2 Var(kX) = k2Var(X);
3 Var(k + X) = Var(X);
(
Var(X) +Var(Y ) se X e Y são independentes
4 Var(X ±Y ) =
Var(X) +Var(Y ) ± 2Cov(X,Y ), se X e Y são dependentes
Definição: O desvio padrão da v.a. X, denotado pro σ ou σx é a constante
r h i p
σ = σx = E (X − µ)2 = var(X) (28)
193 2 1 193 2 1
2 2
V ar(X) = E (X − µ) = ∑(X − µ) f (x) = 7 − × + 8− × +
x 20 20 20 10
2 2 2 2
193 1 193 2 193 3 193 1 531
+ 9− × + 10 − × + 11 − × + 12 − × =
20 4 20 5 20 20 20 20 400
Desvio padrão: Pela fórmula 28, obtemos:
r h r
2
i p 531
σx = E (X − µ) = var(X) = = 1.152
400
Teodoro Brás (ISPM) E.MAT. II - Aula 01 November 8, 2022 52 / 64
Exemplo de variância e desvio padrão de v.a. discreta e contínua
Caso contínuo
Consideremos o exemplo do valor esperado da função densidade de probabilidade para o caso
contínuo (
x
0<x<2
f (x) = 2
0 , caso contrário
Resolução:
Pela fórmula (27), obtemos:
" # Z +∞
4 2 4 2x
Z 2
2
Var(X) = E (X − µ)2 = E (x − µ)2 f (x)dx =
X− = x− dx =
3 −∞ 0 3 2 9
0 , como:
Definição: Momentos de ordem r em relação um ponto V, denotado por µr,V
0
µr,v = E [(X −V )r ] , portanto:
0
µr,V = ∑ (x −V )r f (x) (29)
x
se X é discreto, e
Z +∞
0
µr,V = (x −V )r f (x)dx (30)
−∞
se X é contínuo.
Casos particulares:
V = 0: momento ordinários ou em relação à ordem: µr0 = E(X r );
V = µ: momento centrados ou em relação à média: µr = E [(X − µ)r ].
Caso discreto
Considerando o exemplo do valor esperado da firma que comercializa máquinas de musculação
e outros artigos desportivos dada pela função de probabilidade.
x 7 8 9 10 11 12
1 1 1 2 3 1
f(x) 20 10 4 5 20 20
Determinar o terceiro momento em relação a média.
Resolução:
Pela fórmula (29), obtemos: (recordar que V = µ = 19320 )
Caso contínuo
Consideremos o exemplo do valor esperado da função densidade de probabilidade para o caso
contínuo (
x
0<x<2
f (x) = 2
0 , caso contrário
Resolução:
4
Pela fórmula (30), obtemos: (recordar que V = µ = 3 e r = 3)
4 3x
Z +∞ Z 2
µ 0r,V = (x −V )r f (x)dx = µ3,0 4 = x− dx = . . .
−∞ 3 0 3 2
1 2 4
Z
3 16 2 64 8
··· = x − 4x + x − x dx = −
2 0 3 27 135
Definição: Sejam (X,Y) uma v.a. bidimensional com função de probabilidade conjunta f (x, y).
A covariância entre X e Y, denotado por Cov(X,Y ) ou σXY , é a constante
Z +∞ Z +∞
cov (X,Y ) = σXY = E [(X − µX ) (Y − µY )] = (X − µX ) (Y − µY ) fXY (x, y)dxdy (32)
−∞ −∞
Definição: Sejam (X,Y) uma v.a. bidimensional com função de probabilidade conjunta f (x, y).
O coeficiente de correlação entre X e Y, denotado por corr(X,Y) ou ρXY , é a constante
E [(X − µX ) (Y − µY )] cov(X,Y )
corr(X,Y ) = ρXY = p =p , − 1 ≤ ρXY ≤ 1 (33)
var(X)var(Y ) var(X)var(Y )
Propriedades do coeficiente de correlação:
Se
ρXY = −1, a correlação linear negativa perfeita entre X e Y;
ρXY = 0, não existe correlação linear entre X e Y;
ρXY = 1, a correlação linear positiva perfeita entre X e Y;
Caso contínuo
Consideremos novamente o exemplo dos doentes que realizam tratamento de emagrecimento e
em que as v.a. X (fracção de doentes sem curso superior) e Y(fracção de doentes com curso
superior) são descritas pela f.d.p. cpnjunta
(
8
(1 − xy), 0 ≤ x ≤ y ≤ 1
fXY (x, y) = 3
0, casos contrário
Determinar a covariância e coeficiente de correlação entre X e Y.
Resolução:
Vimos anteriormente que
x3 y3
8 3 8
fX (x) = 1− x+ , 0 ≤ x ≤ 1; fY (y) = y− 0 ≤ y ≤ 1;
3 2 2 3 2
x3
Z 1
8 3 4
µX = E(X) = 1− x+ xdx =
0 3 2 2 15
y3
Z 1
8 28
µY = E(y) = y− ydy =
0 3 2 45
Resolução: Z 1Z y
8 5
E(XY ) = (1 − xy)xydxdy =
0 0 3 27
Covariância
Então, pela propriedade (3), de covariância, obtemos
5 4 28 13
cov(XY ) = σXY = E(XY ) − µX µY = − . =
27 15 45 675
Coeficiente de Correlação
O cálculo de coeficiente de correlação exige o conhecimento prévio de variância. Assim,
precisamos determinar a variância.
Tendo em conta o Teorema (1.1.) de variância, obtemos:
x3 2
Z 1
2
8 3 1
E X = 1− x+ x dx = ,
0 3 2 2 9
Z 18 y3 2
4
E Y2 = y− y dx = ,
0 3 2 9
2
2
2 2 1 4 1
var(X) = σX = E X − µX = − = ;
9 15 25
2
4 28 116
var(Y ) = σY2 = E Y 2 − µY2 = −
=
9 45 2025
Logo, pela fórmula (33), temos
13
cov(X,Y )
corr(X,Y ) = ρXY = p = q 675 = 0.402
var(X)var(Y ) 116 1
. 2025 25
Teorema 1.2: Sejam ai constantes reais e Xi variáveis aleatórias (discretas ou contínuas) para
i = 1, 2, . . . n. Então,
" #
n n n
var ∑ ai Xi = ∑ ∑ ai a j cov(Xi , X j );
i=1 i=1 j=1
em particular
var [a1 X1 + a2 ] = a21 var(X1 )
e
Sejam X e Y duas v.a. tais que var(X) = 2, var(Y ) = 4 e cov(X,Y ) = −2. Determine:
a var(3X − 4Y + 8)
b var(4X − 2Y + 5)
Resolução:
a
var(4X − 2Y + 5) = −16