RESUMO PARA A P1 DE PROBABILIDADE E ESTATÍSTICA II

DEFINIÇÃO 4.1
Uma variável aleatória é uma variável que assume valores numéricos associados
com os resultados aleatórios de um experimento onde é atribuído um (e único) valor
numérico a cada ponto amostral. Sejam Ω espaço amostral de um experimento
aleatório E ω ∈ Ω um de seus resultados. Se
X:Ω ⟶ R
ω ↦ X(ω)
dizemos que X é variável aleatória (v.a.).

DEFINIÇÃO 4.2
O conjunto de todos os possíveis valores que uma variável aleatória X pode assumir
é denominado imagem de X e denotado por Im(X).
Temos que:
Im(X1) = {0, 1, 2};
Im(X2) = {1, 2, 3, ... };
Im(X3) = {X: 0 ≤ X ≤ 1} = [0,1];
Há diferenças entre Im(X1), Im(X2) e Im(X3):
Im(X1) é um conjunto finito;
Im(X2) é um conjunto infinito contável (ou enumerável);
Im(X3) é um conjunto infinito não contável (ou não enumerável)

O termo variável aleatória é mais significante que o termo variável porque o adjetivo
aleatório indica que o experimento de lançamento de moedas pode resultar em um
dos vários possíveis valores da variável —0, 1, e 2 — de acordo com o resultado
aleatório do experimento, HH, HT, TH, e TT. Assim, os possíveis valores da variável
aleatória variam de 0 até o número máximo de clientes que o banco detém na sua
base.

EXEMPLOS
O tempo que um projétil gasta para retornar à Terra ⟶ contínua
O número de vezes que um transistor em uma memória de computador muda de
estado em uma operação ⟶ discreta
O volume de gasolina que é perdido por evaporação, durante o enchimento de um
tanque de gasolina ⟶ contínua
O diâmetro de externo de um eixo usinado ⟶ contínua
O número de fraturas que excedem meia polegada em 10 milhas de uma auto
estrada interestadual ⟶ discreta
O peso de uma peça plástica moldada por injeção ⟶ contínua
O número de moléculas em uma amostra de gás ⟶ discreta
A concentração de saída de um reator ⟶ contínua
A corrente em um circuito elétrico ⟶ contínua

TIPOS DE VARIÁVEIS ALEATÓRIAS

Relembrando que as probabilidades dos pontos amostrais que

correspondem a um experimento têm que somar 1.
DEFINIÇÃO 4.3
Variáveis aleatórias que podem assumir um número contável de valores são
chamadas discretas. Dizemos que uma variável aleatória X é discreta se Im(X) é um
conjunto finito ou infinito enumerável.

DEFINIÇÃO 4.4
Variáveis aleatórias que podem assumir valores que correspondem a quaisquer
pontos contidos em um ou mais intervalos são chamadas contínuas. Dizemos que
uma variável aleatória X é contínua se Im(X) é um conjunto não-enumerável.

Segue mais exemplos de variáveis aleatórias discretas:

1. O número de vendas feito por um vendedor em uma determinada semana: x = 0,
1, 2, ...
2. O número de consumidores em uma amostra de 500 que preferem um produto
particular em aos
competidores: x = 0, 1, 2, ..., 500
3. O número de ofertas recebidas em um oferecimento de hipotecas: x = 0, 1, 2, ...
4. O número de erros em uma página da razão de um contador: x = 0, 1, 2, ...
5. O número de clientes que esperam ser servidos em um restaurante em um
momento particular: x = 0,
1, 2, ...
Note que cada um dos exemplos das variáveis aleatórias discretas começa com as
palavras "O número de..." este teor é muito comum, desde que as variáveis
aleatórias discretas na maioria frequentemente observadas são de contagens.

Um pouco mais de exemplos de variáveis aleatórias contínuas:

1. O tempo entre chegadas de pacientes em uma clínica de hospital: (infinito)
2. Para um novo complexo de apartamentos, o tempo até o término do aluguel de
um número especificado de apartamentos:
3. A quantidade de bebida carregada dentro de uma lata de 460ml em uma
operação de enchimento de latas:
4. A profundidade a qual uma perfuração de petróleo ao acaso encontra óleo: , onde
c é a profundidade máxima obtida.
5. O peso de um artigo de comida comprado em um supermercado: ; [Nota:
Teoricamente, não há nenhum limite superior para x, mas é improvável que exceda
500gr.]

VARIÁVEIS ALEATÓRIAS DISCRETAS

Uma descrição completa de uma variável aleatória discreta requer que
especifiquemos os possíveis valores que a variável aleatória pode assumir e a
probabilidade associada com cada valor.

EXEMPLO
Como a distribuição de probabilidade para uma variável aleatória discreta está
concentrada a pontos específicos (valores de x), o gráfico na Figura 4.3a representa
as probabilidades como as alturas de linhas verticais em cima dos valores
correspondentes de x. Embora a representação da distribuição de probabilidade
como um histograma, como na Figura 4.3b, é menos precisa (desde que a
probabilidade é espalhada em cima de um intervalo de unidade). Nós também
poderíamos apresentar a distribuição de probabilidade para x como uma fórmula.
Daremos as fórmulas para as distribuições de probabilidade de algumas variáveis
aleatórias discretas comuns posteriormente neste capítulo.

DEFINIÇÃO 4.5
A distribuição de probabilidade de uma variável aleatória discreta é um gráfico,
tabela ou fórmula que especifica as probabilidades associadas com cada possível
valor que a variável aleatória pode assumir.

DEFINIÇÃO 4.6
Sejam X v.a. discreta com imagem Im(X) e Ax, x ∈ Im(X), a partição de Ω induzida
pelos possíveis valores de X. A função de probabilidade (f.p.) de X é definida por
Px(x) = P(X = x) = P(Ax), x ∈ Im(X).
Duas exigências devem ser satisfeitas por todas as funções de probabilidade para
variáveis aleatórias discretas.

Comentário: Podemos imaginar a função de probabilidades de uma variável

aleatória como sendo um modelo para a distribuição de frequências de uma variável
quantitativa discreta.
EXEMPLO
EXEMPLO

VARIÁVEIS ALEATÓRIAS CONTÍNUAS

Suponha que X é uma v.a. contínua. Devido à natureza não contável de Im(X) neste
caso, não devemos estabelecer probabilidades “ponto-a-ponto” conforme no caso
discreto.
VARIÁVEIS ALEATÓRIAS DISCRETAS

VARIÁVEIS ALEATÓRIAS CONTÍNUAS

VALORES ESPERADOS DE VARIÁVEIS ALEATÓRIAS

Note que, para obter a média da população de uma variável aleatória x,
multiplicamos cada possível valor de x por sua probabilidade p(x), e então somamos
este produto de todos possíveis valores de x. A média de x também é chamada de
valor esperado de x, denotado E(X).

DEFINIÇÃO 4.5
O valor esperado é a média da distribuição de probabilidade ou uma medida de sua
tendência central. Você pode pensar como o valor da média de x em um número
muito grande (de fato, infinito) de repetições do experimento. Embora exista
semelhança entre a média aritmética e E(X), a diferença é que E(X) é caracterizada
como parâmetro associado a uma distribuição de probabilidade teórica.

OUTRAS MEDIDAS DE TENDÊNCIA CENTRAL PARA V.A.

Moda: É ou são os pontos de maior probabilidade, no caso discreto, ou maior
densidade de probabilidade, no caso contínuo. É, portanto, um parâmetro que indica
a região mais provável da distribuição.

Obs:
1) A moda representa valores possíveis da v.a.
2) Pode ser usada diretamente em variáveis de qualquer tipo de mensuração,
inclusive a nominal (variável qualitativa)
3) Pode não existir ou ter muitos valores modais.

Mediana: Relembrando, a mediana é o valor divide a distribuição em duas partes

iguais (equiprováveis). Isso ocorre sempre no caso contínuo, em que a mediana
pode também ser definida como ponto tal que F(mediana) = 0,5. No caso discreto,
quando a condição acima subsistir, haverá todo um intervalo cujos pontos a
satisfazem, convencionando-se em geral adotar o ponto médio desse intervalo.
MEDIDAS DE DISPERSÃO PARA V.A.
Variância: A variância da população está definida como a média da distância
quadrada de x da média da população. Desde que x é uma variável aleatória, a
distância quadrada, , também é uma variável aleatória. Usando a mesma lógica para
encontrar o valor da média x, nós encontramos o valor da média multiplicando todos
possíveis valores de por p(x) e somando então em cima de todos os possíveis
valores de x. Esta quantidade,

é também chamado valor esperado da distância quadrada da média; que é, σ^2 =

E[(x − μ)^2.]. O desvio padrão de x é definido como a raiz quadrada da variância .
DEFINIÇÃO 4.6

Obs:
1) Pode ser manipulada algebricamente
2) Valores não são facilmente interpretados
3) Possui a unidade da v.a. ao quadrado (Ex.: X em metros, σ^2 será em metros
quadrados).
Desvio Padrão

Coeficiente de Variação
Quando duas ou mais variáveis são comparadas quanto a sua dispersão, a variância
(ou o desvio padrão) não pode ser utilizada se estas variáveis possuírem diferentes
unidades. Exemplo: X é altura (m) e Y é biomassa (kg).

Obs:
1) Mede a variação relativa à média
2) Adimensional
3) Pode ser expresso em porcentagem (mas pode ter valores maiores que 100%)
4) Não pode ser utilizado quando μ = 0
Conhecendo a média e o desvio padrão da distribuição de probabilidade de x, junto
com a Regra de Chebyshev (Tabela 2.7) e a Regra Empírica (Tabela 2.8), nós
podemos fazer declarações sobre a probabilidade que avalia se x cairá dentro dos
intervalos μ ± σ, μ ± 2σ e μ ± 3σ. Estas probabilidades são determinadas na caixa.

EXEMPLO
mostrado no gráfico. Note particularmente que localiza-se no centro da distribuição
de probabilidade. Considerando-se que esta distribuição é uma distribuição teórica
de frequência relativa que tem moderadamente a forma de sino (veja Figura 4.6),
nós esperamos pelo menos 75% (da Regra de Chebyshev) e, mais provável,
aproximadamente 95% das observações de x (da Regra Empírica) estarem no
intervalo — quer dizer, entre 1,46 e 5,54 —pode-se observar da Figura 4.6 que a
probabilidade que x estar no intervalo inclui a soma de p(x) para os valores x = 2, x =
3, x = 4 e x = 5. Esta probabilidade é p(2) + p(3) + p(4) + p(5) = 0,132 + 0,309 +
0,360 + 0,168 = 0,969. Esta porcentagem 96,9% são consistente com ambas as
Regras (de Chebyshev e Empírica).
REGRA EMPÍRICA DA AMPLITUDE
Uma regra que auxilia na interpretação do valor de um desvio padrão é a regra
empírica, aplicável somente a conjuntos de dados aproximadamente em forma de
sino, também conhecida como distribuição Normal ou de Gauss. (figura abaixo).
Essa figura mostra como a média e o desvio padrão estão relacionados com a
proporção dos dados que se enquadram em determinados limites. Assim é que, com
uma distribuição em forma de sino, temos 95% dos seus valores a menos de dois
desvios padrão da média. A regra empírica costuma a ser designada
abreviadamente como a regra 68 – 95 - 99. De acordo com a regra 68-95-99 temos
que:

TEOREMA DE CHEBYSHEV

VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS DISCRETAS

INTRODUÇÃO
Em muitas situações, é comum que um experimento aleatório gere mais de uma
variável de interesse e, quase sempre, o interesse estará em estudar o
comportamento simultâneo de 2 ou mais variáveis, em busca de relações,
associações. Torna-se necessário, então, conhecer o comportamento probabilístico
conjunto de tais variáveis.
EXEMPLO
Consideremos um estudo da composição de famílias com 3 filhos quanto ao sexo
das crianças (Morettin & Bussab). Podemos definir as seguintes variáveis:
Suponhamos que a probabilidade de nascer homem ou mulher seja igual a 1/2, ou
seja, que todas as composições de família tenham a mesma probabilidade. Quais
são os possíveis valores das variáveis? Como fica a distribuição de probabilidades
para as variáveis aleatória X, Y e Z?
Solução:
Então, os possíveis resultados e os valores das variáveis são os apresentados na
tabela a seguir:

A partir desses resultados obtemos as seguintes distribuições de probabilidades

para as variáveis aleatórias X, Y, Z:

DISTRIBUIÇÕES CONJUNTAS
Vamos analisar agora a distribuição conjunta de 2 dessas variáveis, ou seja,
queremos analisar, por exemplo, a probabilidade de X ser igual a 1 e Y ser igual a 0,
simultaneamente. Vamos calcular essas probabilidades e apresentá-las em forma de
tabela de dupla entrada.
Analisando simultaneamente as três variáveis, temos:

DISTRIBUIÇÕES MARGINAIS

DISTRIBUIÇÕES CONDICIONAIS
A partir da distribuição conjunta de (X,Y) pode-se obter a distribuição condicional de
X, ou seja, a probabilidade condicional de cada valor de X, condicionada a um
determinado valor de Y . Aplicando a definição de probabilidade condicional, temos
que:
Sendo uma distribuição de probabilidades, podemos calcular sua esperança e sua
variância:

Analogamente, obtém-se a distribuição de X dado que Y = 1 ou a distribuição de Y

dado que X = 0, por exemplo:

ou então:

A seguir vamos formalizar os conceitos apresentados através do exemplo acima.

FUNÇÕES DE VARIÁVEIS ALEATÓRIAS
Um caso particular importante é abordado a seguir.

Dos resultados já vistos, segue o resultado mais geral:

Usando definições e propriedades da esperança e da variância, vamos estudar a

variância da soma de duas variáveis aleatórias.
COVARIÂNCIA

Substituindo essa definição na expressão da variância da soma de duas variáveis

aleatórias obtém-se o

PROPRIEDADES DA COVARIÂNCIA

EXEMPLO