Escolar Documentos
Profissional Documentos
Cultura Documentos
Variáveis aleatórias
Uma variável aleatória é uma variável que toma um valor numérico determinado pelo resultado de
uma experiência aleatória.
Em termos de notação, importa passar a distinguir as variáveis aleatórias (letra maiúscula) dos valores
que as variáveis aleatórias podem assumir (letra minúscula).
𝑋 → variável aleatória
𝑥 → valores que uma variável aleatória pode assumir
1
Consoante o conjunto de valores que podem assumir, as variáveis aleatórias são classificadas como:
Uma variável aleatória é uma Variável Aleatória Discreta (VAD) quando apenas os valores qua a
VA pode assumir correspondem a um conjunto finito de números inteiros. Exemplo: “O número de
peças defeituosas que uma linha de produção faz num determinado dia.”
Uma variável aleatória é uma Variável Aleatória Contínua (VAC) quando pode assumir qualquer
valor dentro de um determinado intervalo. Exemplo: “O peso de um aluno selecionado
aleatoriamente de uma turma.”
2
Variáveis unidimensionais discretas
Uma função de probabilidade de uma variável aleatória discreta tem de respeitar as duas seguintes
propriedades:
A função distribuição de probabilidade, 𝑭(𝒙), para uma variável aleatória discreta X, expressa a
probabilidade de X não exceder o valor 𝑥. Isto é: 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∑𝑥𝑖 ≤𝑥 𝑓(𝑥0 ), sendo a função
avaliada em todos os valores possíveis de 𝑥.
0 ≤ 𝐹(𝑥) ≤ 1
𝐹(𝑥) é uma função monótona não decrescente
𝑥 1 2 3 4 5 6
𝑓(𝑥𝑖 ) – Função de probabilidade 0,167 0,167 0,167 0,167 0,167 0,167
𝐹(𝑥) – Função distribuição de probabilidade 0,167 0,333 0,500 0,667 0,833 1,000
0, 𝑥<1
0,167, 1≤𝑥<2
0,333, 2≤𝑥<3
Analiticamente, a função distribuição de probabilidade: 𝐹 (𝑥 ) = 0,500, 3≤𝑥<4
0,667, 4≤𝑥<5
0,833, 5≤𝑥<6
{ 1, 𝑥≥6
𝑭(𝟐) = 𝑷(𝑿 ≤ 𝟐) = 𝟑𝟑, 𝟑%; 𝑭(𝟐, 𝟓) = 𝑷(𝑿 ≤ 𝟐, 𝟓) = 𝑷(𝑿 ≤ 𝟐) = 𝟑𝟑, 𝟑%; 𝑭(𝟔) = 𝑷(𝑿 ≤ 𝟔) = 𝟏𝟎𝟎%; 𝑭(𝟕, 𝟏) = 𝑷(𝑿 ≤ 𝟕, 𝟏) = 𝟏𝟎𝟎%
4
Função distribuição de
probabilidade
5
O valor esperado é o valor correspondente à medida de tendência central da variável aleatória, isto é, a
sua média (Esperança matemática), também denominada por μX .
O valor esperado de uma variável aleatória, representado por 𝐸(𝑋), é definido por:
𝐸(𝑋) = ∑ 𝑓(𝑥𝑖 ) ∗ 𝑥𝑖
O valor esperado pode ser interpretado como a média de longo prazo de uma variável aleatória, após se
repetir um grande número de vezes a experiência aleatória que lhe está associada.
Propriedades do valor esperado (em que 𝑎 e 𝑏 são constantes e X e Y é uma variável aleatória):
𝐸(0) = 0
𝐸(𝑎) = 𝑎
𝐸(𝑎𝑋) = 𝑎 ∗ 𝐸(𝑋)
𝐸 (𝑋 + 𝑌) = 𝐸 (𝑋) + 𝐸 (𝑌)
Sendo 𝑍 = 𝑎 + 𝑏𝑋, então: 𝐸(𝑍) = 𝐸(𝑎 + 𝑏𝑋) = 𝑎 + 𝑏 ∗ 𝐸(𝑋)
6
Seja X uma variável aleatória discreta, a sua variância (𝜎𝑋2 ) é determinada pelo valor esperado do
quadrado dos desvios em relação à sua média, (𝑋 − 𝜇𝑋 )2 .
= ∑ 𝑓(𝑥𝑖 ) ∗ 𝑥𝑖 2 − [ ∑ 𝑓(𝑥𝑖 ) ∗ 𝑥𝑖 ]2
7
Exemplo: Voltando ao exemplo anterior,
= 3,5
= 2,95
Ou
𝐸 (𝑋) = 3,5
8
Função probabilidade truncada
𝑓(𝑥𝑖 )
, 𝑥𝑖 ∈ 𝐴
𝑓 (𝑥𝑖 |𝑋 ∈ 𝐴) = 𝑃(𝑋 = 𝑥𝑖 |𝑋 ∈ 𝐴) = {∑𝑥𝑗 ∈𝐴 𝑓(𝑥𝑗 )
0, 𝑥𝑖 ∉ 𝐴
𝐹 (𝑥 |𝑋 ∈ 𝐴) = 𝑃(𝑋 ≤ 𝑥𝑖 |𝑋 ∈ 𝐴) = ∑ 𝑓(𝑥𝑖 |𝑋 ∈ 𝐴)
𝑥𝑖 ≤𝑥
Exemplo: Voltando ao exemplo anterior, sabendo que saiu um nº maior que 3, qual a probabilidade de
sair 4, ou 5 ou 6?
9
𝑃(𝑋 = 4 ∩ 𝑋 > 3) 0,167
𝑓(4| 𝑋 > 3) = = = 0,333
𝑃 (𝑋 > 3) 0,5
X 1 2 3 4 5 6
𝑓(𝑥𝑖 |𝑋 > 3) 0,00 0,00 0,00 0,333 0,333 0,333
𝐹 (𝑥𝑖 |𝑋 > 3) 0,00 0,00 0,00 0,333 0,667 1,000
10
Variáveis bidimensionais discretas
Variável aleatória bidimensional – função que associa a cada elemento do espaço de resultados, S,
um par de números reais: (X, Y) variável bidimensional discreta, onde ambas variáveis X e Y são
discretas.
A sua função de probabilidade conjunta expressa a probabilidade que X tome o valor específico x e
simultaneamente Y tome o valor y.
Propriedades:
∑𝑖 ∑𝑗 𝑓(𝑥𝑖 , 𝑦𝑗 ) = 1
11
A função distribuição conjunta, 𝐹 (𝑥, 𝑦), do par de variáveis aleatórias discretas (X, Y), expressa a
probabilidade de, simultaneamente, X não exceder o valor 𝑥 e Y não exceder o valor 𝑦.
12
Função distribuição marginais:
𝐹1 (𝑥) = 𝑃(𝑋 ≤ 𝑥)
𝐹2 (𝑦) = 𝑃(𝑌 ≤ 𝑦)
Sejam X e Y duas variáveis aleatórias discretas com função de probabilidade conjunta 𝑓(𝑥𝑖 , 𝑦𝑗 ), a
função de probabilidade condicional de X, dado 𝑌 = 𝑦𝑗 , é dada por:
𝑓(𝑥𝑖 , 𝑦𝑗 )
𝑓(𝑥𝑖 |𝑌 = 𝑦𝑗 ) =
𝑓2 (𝑦𝑗 )
𝑓(𝑥𝑖 , 𝑦𝑗 )
𝑓(𝑦𝑗 |𝑋 = 𝑥𝑖 ) =
𝑓1 (𝑥𝑖 )
13
Exemplo: Considere a seguinte tabela e que as variáveis X e Y são variáveis aleatórias discretas. A
tabela representa a função de probabilidade conjunta destas variáveis:
X\Y 3 4
0 0,2 0,3
1 0,1 0
2 0,2 0,2
X\Y 3 4 𝑓1 (𝑥𝑖 )
0 0,2 0,3 0,5
1 0,1 0 0,1
2 0,2 0,2 0,4
𝑓2 (𝑦𝑗 ) 0,5 0,5 1
14
X 0 1 2 Y 3 4
𝑓1 (𝑥𝑖 ) 0,5 0,1 0,4 𝑓2 (𝑦𝑗 ) 0,5 0,5
𝐹1 (𝑥𝑖 ) 0,5 0,6 1 𝐹2 (𝑦𝑗 ) 0,5 1
0, 𝑥<0
0, 𝑦<3
0,5, 0≤𝑥<1
𝐹1 (𝑥𝑖 ) = { 𝐹2 (𝑦𝑗 ) = {0,5, 3≤𝑦<4
0,6, 1≤𝑥<2
1, 𝑥≥2 1, 𝑦≥4
15
𝑓(1,4) 0
𝑓 (1 | 𝑦 = 4) = = =0 𝑥𝑖 0 1 2
𝑓2 (4) 0,5
𝑓(𝑥𝑖 | 𝑦 = 4) 0,6 0 0,4
𝑓(2,4) 0,2
( |
𝑓 2 𝑦 = 4) = = = 0,4
𝑓2 (4) 0,5
𝑥𝑖 0 1
𝑓(𝑦𝑗 | 𝑥 > 0) 0,6 0,4
𝐹(𝑦𝑗 | 𝑥 > 0) 0,6 1
16
As variáveis aleatórias X e Y são independentes se a sua função de probabilidade conjunta for igual
ao produto das suas funções de probabilidade marginal: 𝑓(𝑥𝑖 , 𝑦𝑗 ) = 𝑓1 (𝑥𝑖 ) ∗ 𝑓2 (𝑦𝑗 ), ∀(𝑥𝑖 ,𝑦𝑗 )
Basta encontrar um par (X, Y) para o qual não se verifica a igualdade, e as variáveis X e Y não são
independentes.
Sejam X e Y duas variáveis aleatórias discretas com médias 𝜇𝑋 e 𝜇𝑌 . A covariância entre X e Y é dada
por:
𝐶𝑜𝑣 (𝑋, 𝑌) = 𝐸 [(𝑋 − 𝜇𝑋 )(𝑌 − 𝜇𝑌 )] = 𝐸 (𝑋𝑌) − 𝐸 (𝑋) ∗ 𝐸(𝑌)
Propriedades:
18
Exemplo: Cálculo da covariância, do coeficiente de correlação de Pearson e de algumas expressões.
𝐶𝑜𝑣 (𝑋, 𝑌) = (0 − 0,9) ∗ (3 − 3,5) ∗ 0,2 + (0 − 0,9) ∗ (4 − 3,5) ∗ 0,3 + (1 − 0,9) ∗ (3 − 3,5) ∗ 0,1
+ (1 − 0,9) ∗ (4 − 3,5) ∗ 0 + (2 − 0,9) ∗ (3 − 3,5) ∗ 0,2 + (2 − 0,9) ∗ (4 − 3,5) ∗ 0,2
= − 0,05, Cov(X, Y) < 0 → relação negativa entre X e Y
Ou
Cálculo auxiliar:
19
𝐶𝑜𝑣 (𝑋, 𝑌) −0,05
𝜌(𝑋, 𝑌) = = =
𝐷𝑃(𝑋) ∗ 𝐷𝑃(𝑌) √0,89 ∗ √0,25
Cálculo auxiliar:
20
Variáveis unidimensionais contínuas
Por definição, a função distribuição, 𝑭(𝐱), de uma variável aleatória contínua X, expressa a
probabilidade de que X não exceda o valor x, isto é:
𝑥
𝐹 (𝑥 ) = P(X ≤ 𝑥 ) = ∫ 𝑓 (𝑢) 𝑑𝑢 , ∀𝑥 ∈ ℝ
−∞
Para se calcular a probabilidade de uma variável aleatória contínua X se situar num determinado
intervalo, calcula-se a diferença entre o valor da função cumulativa avaliada no valor mais alto do
intervalo e o valor da função cumulativa avaliada no valor mais baixo do intervalo, isto é:
21
𝑏
Nota: 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝐹 (𝑏) − 𝐹 (𝑎)
22
Média
+∞
𝐸 (𝑋) = 𝜇𝑋 = ∫ 𝑥. 𝑓(𝑥 ) 𝑑𝑥
−∞
Variância
+∞
23
Exemplo 1: Considere a seguinte função densidade de probabilidade:
0,5, 2<𝑥<4
𝑓(𝑥 ) = {
0, 𝑜𝑢𝑡𝑟𝑜𝑠 𝑥
4 4 4
𝑥2 42 22
𝑬(𝑿) = ∫ 𝑓(𝑥 ) ∗ 𝑥 𝑑𝑥 = ∫ 0,5 ∗ 𝑥 𝑑𝑥 = [0,5 ∗ 2 2
] = [0,5 ∗ 2
]− [0,5 ∗ 2
] =3
2 2
4 4 4
𝟐) 𝑥3 43 23
𝑬(𝑿 = ∫ 𝑓(𝑥 ) ∗ 𝑥 𝑑𝑥 = ∫ 0.5 ∗ 𝑥 2 𝑑𝑥 = [0.5 ∗
2
3 2
] = [0.5 ∗ 3
] − [0.5 ∗ 3
] = 9, (3)
2 2
4
4 2 4 2 𝑥3 𝑥2
𝐕𝐚𝐫(𝒙) = ∫2 𝑓(𝑥 ) ∗ (𝑥 − 3) 𝑑𝑥 = ∫2 0,5 ∗ (𝑥 + 9 − 6𝑥) 𝑑𝑥 = [0,5 ∗ ( + 9𝑥 − 6 )] =
3 2 2
43 42 23 22
[0,5 ∗ ( +9∗4−6∗ )] − [0,5 ∗ ( +9∗2−6∗ )] = 0,33
3 2 3 4
Ou
24
0, 𝑥 < 2
Função distribuição: 𝐹 (𝑥 ) = {𝐴, 2 ≤ 𝑥 < 4
0, 𝑥 ≥ 4
𝑥 2 𝑥
𝐴 = ∫ 𝑓 (𝑢)𝑑𝑢 = ∫ 0𝑑𝑢 + ∫ 0,5𝑑𝑢 = 0 + [0,5 𝑢]2𝑥 = 0,5𝑥 − 0,5 ∗ 2 = 0,5x − 1
−∞ −∞ 2
𝑥 𝑠𝑒 0 < 𝑥 < 1
𝑓(𝑥 ) = {−𝑥 + 2 𝑠𝑒 1 ≤ 𝑥 ≤ 2
0 𝑜𝑢𝑡𝑟𝑜𝑠
+∞ 1 2 1 2
𝑥3 −𝑥 3 𝑥2
𝑬(𝑿) = ∫ 𝑥. 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑥 ∗ 𝑥 𝑑𝑥 + ∫ (−𝑥 + 2) ∗ 𝑥 𝑑𝑥 = [ ] + [ +2 ] =1
−∞ 0 1 3 0 3 2 1
+∞ 1 2 1 2
𝑥4 𝑥4 𝑥3
𝑬(𝑿𝟐 ) = ∫ 2 ( ) 3 2
𝑥 . 𝑓 𝑥 𝑑𝑥 = ∫ 𝑥 𝑑𝑥 + ∫ (−𝑥 + 2)𝑥 𝑑𝑥 = [ ] + [− + 2 ] =
−∞ 0 1 4 0 4 3 1
25
1 16 8 1 1 1 16
= + [− + 2 ] − [ + 2 ] = + [−4 + ] − [0,25 − 0,667] = 2
4 4 3 4 3 4 3
𝑽𝒂𝒓(𝑿) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋)2 = 2 − 1 = 1
0, 𝑥<0
𝐴, 0≤𝑥<1
Função distribuição: 𝐹 (𝑥 ) = {
𝐵, 1≤𝑥<2
1, 𝑥≥2
𝑥 0 𝑥 𝑥
𝑢2 𝑥2
𝐴 = ∫ 𝑓(𝑢)𝑑𝑢 = ∫ 0𝑑𝑢 + ∫ 𝑢 𝑑𝑢 = 0 + [ ] =
−∞ −∞ 0 2 0 2
𝑥 0 1 𝑥 𝑥
𝑢2
𝐵 = ∫ 𝑓(𝑢) 𝑑𝑢 = ∫ 0𝑑𝑢 + ∫ 𝑢 𝑑𝑢 + ∫ (2 − 𝑢)𝑑𝑢 = 0 + 0,5 + [4 − ]
−∞ −∞ 0 1 2 1
𝑥2 𝑥2
= 0,5 + [4 − ] − [4 − 0,5] = 1 −
2 2
26