Você está na página 1de 67

Variáveis Aleatórias

Programa de Pós-Graduação em Engenharia Elétrica

Processos Estocásticos

Prof. Marcelino Silva – marcelino@ufpa.br


Variáveis Aleatórias
 Definição:
 Para um determinado espaço amostral S de um experimento,
uma variável aleatória (v.a.) é qualquer regra que associe um
valor numérico a cada resultado de S.
 Em termos matemáticos, uma variável aleatória é uma função
cujo domínio é o espaço amostral e o contra-domínio é um
conjunto de números reais.
 Em geral, representa-se a v.a. como uma função X(.), a qual
será abreviada por X.
Variáveis Aleatórias
 OBS: Na literatura, costuma-se usar
 Letras maiúsculas do final do alfabeto para representar as
variáveis aleatórias. Exemplos: X, Y, Z
 Letras maiúsculas do início do alfabeto para representar as
eventos. Exemplos: A, B, C
 Letras minúsculas (de qualquer parte) para representar números.
Exemplos: a, b, c, x, y, z

 X=x
 Indica que a v.a. X(.) assume o valor numérico de x

 X<x
 Indica que a v.a. X(.) assume valores menores que o valor
numérico de x
Variáveis Aleatórias
 Quando se define X=x, estamos definindo um evento A, o
qual é formado pelo subconjunto de elementos do espaço
amostral que, quando passados para a v.a X, obtém-se o
valor x.
 Então P(X=x) é a probabilidade do evento A ocorrer, ou P(A)

 Da mesma forma, quando se define X≤x, estamos definindo


um evento B, o qual é formado pelo subconjunto de
elementos do espaço amostral que, quando passados para
a v.a X, obtém-se valores menores ou iguais a x.
 Então P(X≤x) é a probabilidade do evento B ocorrer, ou P(B)
Variáveis Aleatórias
 Além destes, quando se define x1 ≤ X ≤ x2, estamos definindo
um evento C, o qual é formado pelo subconjunto de
elementos do espaço amostral que, quando passados para
a v.a X, obtém-se valores no intervalo [x1, x2].
 Então P(x1≤X≤x2) é a probabilidade do evento C ocorrer, ou P(C)

 Uma outra interpretação pode ser: dado que x1 ≤ X define um


evento C1 e X ≤ x2 define um evento C2, então x1 ≤ X ≤ x2 define
o evento C = C1C2. Então P(x1≤X≤x2) = P(C) = P(C1C2)

 De forma análoga a estes 3 eventos, pode-se definir


também os eventos X≥x, X<x, x1<X<x2, ou X≠x.
Variáveis Aleatórias
 EX: Uma moeda é lançada para cima três vezes e observa-
se quantas vezes a face cara apareceu.
 S = {ccc, cck, ckc, kcc, ckk, kck, kkc, kkk}
 Pode-se definir uma v.a. X como sendo o número de caras que
ocorreu. Então
 X(ccc) = 3;
 X(cck) = X(ckc) = X(kcc) = 2;
 X(ckk) = X(kck) = X(kkc) = 1;
 X(kkk) = 0.

 P(X=1) = probabilidade de sair uma seqüencia com um nº de caras igual a 1


 Defini-se A= {ckk, kck, kkc} e P(X=1) = P(A) = 3/8
Variáveis Aleatórias
 P(X≤1) = probabilidade de sair uma seqüencia com um nº de caras menor
ou igual a 1
 Defini-se B= {kkk, ckk, kck, kkc} e P(X≤1) = P(B) = 4/8

 P(1≤X≤2) = probabilidade de sair uma seqüencia com um nº de caras igual a


1 ou igual a 2
 Defini-se C= {ckk, kck, kkc, cck, ckc, kcc} e P(1≤X≤2) = P(C) = 6/8
 Ou
 1≤X = C1 = {ckk, kck, kkc, cck, ckc, kcc, ccc}
 X≤2 = C2 = {cck, ckc, kcc, ckk, kck, kkc, kkk}
 1≤X≤2 = C = C1C2 = {ckk, kck, kkc, cck, ckc, kcc}
 P(1≤X≤2) = P(C) = P(C1C2) = 6/8
Variáveis Aleatórias
 Em alguns casos, o resultado do experimento já é um
número, e neste caso a variável aleatória será X(x) = x, ou
seja, a regra será que o próprio resultado do experimento
será o valor no eixo real.
 Ex 1: lançar um dado e observar a face para cima
 S = {1, 2, 3, 4, 5, 6}
 Ex 2: observar, sob CNTP, o valor da temperatura da água em
um copo
 S = {sR | 0ºC< s <100ºC}
Tipos de Variáveis Aleatórias
 V.A. Discretas:
 Se o contra-domínio da V.A. é composto de um número finito ou
infinito numerável de valores, ou seja, de números discretos.
 EX: lançar um dado e observar a face para cima
 S = {1, 2, 3, 4, 5, 6}

 V.A. Contínuas:
 Se o contradomínio da V.A. é um intervalo ou uma coleção de
intervalos, sendo estes formados por um número infinito não
numerável de valores.
 observar, sob CNTP, o valor da temperatura da água em um
copo
 S = {sR | 0ºC< s <100ºC}
Variáveis Aleatórias Discretas
 fX(x) - Função Densidade de Probabilidade (f.d.p.)
 Determina a probabilidade da v.a. X assumir um determinado
valor x;
fX(x) = P(X=x)
 Muitos autores, quando trata-se de v.a. discretas, utilizam a
denominação Função Massa de Probabilidade (f.m.p.).
 Exemplo: para o exemplo de jogar uma moeda três vezes para
cima e observar o nº de caras na seqüência, temos
 fX(0) = P(X=0) = 1/8
 fX(1) = P(X=1) = 3/8
 fX(2) = P(X=2) = 3/8
 fX(3) = P(X=3) = 1/8
Variáveis Aleatórias Discretas
 Propriedades da f.d.p.
 Toda probabilidade deve estar entre zero e um, então:

0  f X (x) 1
 Observe que cada evento {X=xi}, para todos os possíveis valores
xi de X formam eventos disjuntos, então:

 f X (x i )  1
x i S
Variáveis Aleatórias Discretas
 Representando a f.d.p. na forma de gráfico:
Variáveis Aleatórias Discretas
 FX(x) - Função Distribuição de Probabilidade (F.D.P.)
 Determina a probabilidade da v.a. X assumir valores menores ou
iguais um determinado valor x;

FX (x)  P(X  x)   f X (x i )
x i x

 Muitos autores, quando trata-se de v.a. discretas, utilizam a


denominação Função Massa Acumulada (F.M.A.).


Variáveis Aleatórias Discretas
 Exemplo: para o exemplo de jogar uma moeda três vezes para
cima e observar o nº de caras na seqüência, temos
 FX(0) = P(X≤0) = 1/8
 FX(1) = P(X≤1) = 4/8
 FX(2) = P(X≤2) = 7/8
 FX(3) = P(X≤3) = 8/8 = 1
Variáveis Aleatórias Discretas
 Representando a F.D.P. na forma de gráfico:
Variáveis Aleatórias Discretas
 Propriedades da F.D.P
1. FX(x) é não decrescente, contínua pela direita e satisfaz as
condições:

FX ()  P X     P(S) 1

FX ()  PX     P()  0.





Variáveis Aleatórias Discretas
2. Se x1 < x2, então

FX (x1)  FX (x2 )

Prova: se x1 < x2, então (-, x1)  (-, x2) e {X≤x1}  {X≤x2}, por tanto

FX
(x1)  P(X  x1)  P(X  x2 )  FX (x2 )
Variáveis Aleatórias Discretas
3. Se FX(x0) = 0, então

FX (x)  0 x  x0
Prova: se FX(x0) = 0, então {X≤x0} =  e qualquer valor de x≤x0
também resultará em um conjunto vazio.


Variáveis Aleatórias Discretas

4. P{X>x} = 1 – FX(x)

Prova: considere os dois eventos {X≤x} e {X>x}. Estes dois


eventos são mutuamente exclusivos e {X≤x} {X>x} = S.
Então, usando a propriedade do complemento:

P{X 1} 1 P{X 1} 1 FX (x)


Variáveis Aleatórias Discretas

5. P{x1 < X ≤ x2} = FX(x2) – FX(x1)

Prova: os eventos {X≤x1} e {x1<X≤x2} são mutuamente exclusivos


e a união deste dois eventos é {X≤x2}. Então

{X  x1}U{x1  X  x 2}  {X  x 2}
P({X  x1}U{x1  X  x 2})  P({X  x 2 })
P({X  x1})  P({x1  X  x 2})  P({X  x 2})
P({x1  X  x 2 })  P({X  x 2})  P({X  x1})
P({x1  X  x 2 })  FX (x 2 )  FX (x1 )
Variáveis Aleatórias Discretas

6. fX(x) = FX(x) – FX(x-)

Prova:

lim P{ x    X  x}  FX (x)  lim FX (x   ),


 0  0

P({X  x})  f X (x)  FX (x)  FX (x  ).





Variáveis Aleatórias Discretas
 Exercícios
Valor Esperado de V.A. Discretas
 As f.d.p. e F.D.P. nos permitem analisar uma v.a. X a partir de
diversos números, as probabilidades de X;

 Em alguns casos, deseja-se sumarizar as características da


v.a. em um único número;

 Exemplo: considere uma roleta, na qual em cada nº ki


sorteado você ganha este valor em reais. Se cada nº ki
possui uma probabilidade P(ki) de ocorrer e se você girar a
roleta muitas vezes, quanto você espera ganhar por cada
rodada?
Valor Esperado de V.A. Discretas
 Resposta: se a roleta for rodada M vezes e se mi for o nº de
vezes que ocorreu ki, então em M rodadas você ganhará:

m1k1  m2k2  m3k3  ... mn kn


 Se dividirmos tudo por M para encontrar quanto se ganhou
por rodada, temos
m1k1  m2 k 2  ... mn k n m1k1 m2 k2 mn k n
    ...
M M M M
 Se M for muito grande, então para cada ki:
mi
 P(ki )
M
Valor Esperado de V.A. Discretas
 Defini-se assim, de forma geral:
 O Valor Esperado ou Média de uma v.a. X é calculado como:

E[X]  X   x i P(X  x i )   x i f X (x i )
xi xi

 A média indica o centro de massa da função de massa de


probabilidade da v.a. X:


Valor Esperado de V.A. Discretas
 Exemplo: uma fábrica possui uma máquina, a qual, durante
um mês, falha uma, duas ou três vezes segundo uma f.d.p fX.
Admitindo que no máximo a máquina falha três vezes por
mês e que o custo de consertar a máquina é C, então
quanto é esperado que a empresa gaste com manutenção
da máquina por mês?
 Resposta:
Média de quantas vezes a máquina quebra por mês

E[X]  f X (1)  2 f X (2)  3 f X (3)


Média do custo com manutenção

C.E[X]
Variância de V.A. Discretas
 Muitas vezes, a média sozinha não nos permite analisar o
problema satisfatoriamente;

 Ex: considere um caso extremo em que uma pessoa passa 1


minuto em uma sala com temperatura de 70ºC e depois
passa outro minuto em uma outra sala com temperatura de
0ºC. Provavelmente a pessoa passou mal, embora a média
da temperatura tenha sido de 35ºC (temperatura ideal);

 Nesse caso, é necessário analisar a dispersão dos valores da


v.a. em torno da média.
Variância de V.A. Discretas
 A Variância de uma v.a. X indica o quanto os resultados do
experimento tem se dispersado do valor médio e pode ser
calculada como
var( X)  E[(X  E[X]) 2 ]  (x i  E[X]) 2 f X (x i )
xi
 Se desenvolvermos esta equação, podemos observar que a
variância também pode ser calculada como:
var( X)   (x i  E[X]) 2 f X (x i )
 xi

  ((x i ) 2  2x i E[X]  (E[X]) 2 ) f X (x i )


xi

  (x i ) 2 f X (x i )  2E[X] x i f X (x i )  (E[X]) 2  f X (x i )
xi xi xi

 E[X 2 ]  2(E[X]) 2  (E[X]) 2  E[X 2 ]  (E[X]) 2


Desvio Padrão de V.A. Discretas
 Uma outra medida de dispersão é o Desvio Padrão, o qual é
calculado como:

X  var( X)
 O D.P. é interpretado de forma mais simples por estar na
mesma unidade da v.a.
 Ex: em um experimento no qual se mede a distância percorrida


diariamente por uma carro, a média e o D.P. Serão medidos em
Km, enquanto que a variância será em Km2.
V.A. de Bernoulli
 Defini-se uma v.a. de Bernoulli, quando esta pode obter
apenas dois possíveis resultados, 0 (ou “fracasso”) e 1 (ou
sucesso) sendo:
1  p se x  0 1  p se x  0
f X (x)   FX (x)  
p se x 1 1 se x  0


 Embora muito simples, este tipo de v.a. é importante pois
vários experimentos do dia-a-dia possuem esta
característica, alem disto, esta v.a. é a base para outros tipos
de v.a.
V.A. Binomial
 Considere um experimento de Bernoulli repetido n vezes. Se
deseja-se calcular a probabilidade de ocorrerem
exatamente k vezes o resultado “1” (sucesso) em n
repetições do experimento, sendo fX(1)=p, utiliza-se então
uma v.a. Binomial, definida como:

n  k
f X (k)   p (1  p) n k k  0, 1, 2, ..., n
k 

k n x
FX (k)   p (1  p) n x k  0, 1, 2, ..., n
x 0  
x
V.A. Geométrica
 Define a probabilidade do sucesso ocorrer somente na n-
ésima repetição do experimento, ou seja, ocorrer n-1 fracasso
antes de ocorrer um sucesso. Esta v.a. é caracterizada
como:

f X (n)  p(1  p) n 1 n  1, 2, ...


n
FX (n)   p(1  p) x 1 n  1, 2, ...
x 1

 Esta v.a. possui esta denominação pelo fato de formar uma


progressão geométrica

V.A. de Poisson
 Considere um experimento, no qual observa-se quantos
clientes entram em loja, ou quantos carros chegam a um
pedágio. É fácil perceber que ocorrência de uma chegada
é independe da chegada anterior. Neste tipo de
experimento, quando se deseja calcular a probabilidade de
ocorrerem k chegadas em uma unidade de tempo, dado
que as chegadas ocorrem a uma taxa μ, utiliza-se

k k
x
f X (k)   FX (k)  e   
e k! x 0 x!
Função de V.A. Discreta
 Freqüentemente estamos interessados em alguma função h(X)
em vez da v.a. X em si mesmo.

 Exemplo: seja X o nº de cilindros do motor do próximo carro a


ser regulado em uma oficina. O custo da regulagem do motor é
relacionado a X por h(X)=20 + 3X + 0.5X2. Como X é uma v.a.,
então h(X) também o é. Assim, definindo a nova v.a. Y=h(X),
temos:

x 4 6 8 y 40 56 76
fX(x) 0,5 0,3 0,2 fY(y) 0,5 0,3 0,2
Função de V.A. Discreta
 Nestes casos, a probabilidade de ocorrer cada valor de Y é

fY (y)  f h(X ) (h(x))  f X (x)


{x|h(x)y}

 Desta forma, a probabilidade de Y pode ser calculada a


partir das probabilidades de X.


Função de V.A. Discreta
 Definição: se a v.a. X tiver um conjunto de possíveis valores D
e f.m.p. fX(x), o valor esperado de qualquer função h(X) é
calculado por:

h(x )  E[h(x)]   h(x) f X (x)


xD


Função de V.A. Discreta
 Para o exemplo da regulagem do motor, definindo D como
o conjunto de todos os possíveis valores de X, podemos
encontrar o valor esperado do custo de regulagem de
motor como:

E[Y]  E[h(X)]   h(x). f X (x)


xD

 h(4).0,5  h(6).0,3  h(8).0,2


 40.0,5  56.0,3  76.0,2
 52


Função de V.A. Discreta
 Regras do valor esperado de uma função:
 A função h(X) freqüentemente é uma função linear, do tipo
h(X)=aX+b, onde a e b são constantes. Nestes casos:

E[h(X)]  E[aX  b]   (ax  b) f X (x)


xD

 a  xfX (x)  b  f X (x)


xD xD

 aE[X]  b


Função de V.A. Discreta
 Obtém-se então duas regras importantes para o valor esperado
de um função de v.a., quando a e b são constantes:

1. E[aX]  aE[X]
2. E[X  b]  E[X]  b
 A primeira regra diz que quando os valores da v.a. X são
dispersados por uma constante a, então a média também será
dispersada em mesma proporção;

 A segunda regra diz que quando os valores da v.a. X são
deslocados por uma constante b, então a média também será
deslocada pela mesma constante
Função de V.A. Discreta
 Para a variância, tem-se:

VAR(h(X))   h(x)  E[h(x)] f X (x)


2

xD

 Se h(X) for linear, h(X)=aX+b, então:



VAR(h(X))  a2VAR(X)

 E o desvio padrão:

 h(X ) | a | VAR(X)
Função de V.A. Discreta
 Prova:
VAR(h(X))   h(x)  E[h(x)] f X (x)
2

xD

  ax  b  (aE[X]  b) f X (x)


2

xD

  ax  aE[X] f X (x)


2

xD

  a 2 x 2  2a 2 xE[X]  a 2 E[X]2 f X (x)


xD

 a 2  x 2 f X (x)  2a 2 E[X]  xfX (x)  a 2 E[X]2  f X (x)


xD xD xD

 a 2 E[X 2 ]  2a 2 E[X]2  a 2 E[X]2


 a 2 E[X 2 ]  E[X]2 
 a 2VAR(X)
V.A. Contínua
 Definição: uma v.a. X é dita continua se o seu conjunto de
valores possíveis for infinito incontável.

 Exemplo:
 Se no estudo de um lago fizermos medições da profundidade
do lago em locais selecionados aleatoriamente, então a v.a. X,
a qual representa a profundidade no local selecionado, é
contínua, pois, neste caso, pode assumir qualquer valor real
entre as profundidades máxima e mínima da área de
amostragem.
V.A. Contínua
 Função Densidade de Probabilidade (f.d.p)
 Definição: seja X uma v.a. contínua. A f.d.p. de X, fX(x) , será
uma função tal que, para dois valores a e b, com a≤b:
b
P(a  X  b)   f X (x)dx
a

 Isto é, a probabilidade de X assumir um valor no intervalo [a, b] é


a área contida entre o intervalo e abaixo da curva da f.d.p.

fX(x)

x
V.A. Contínua
 Para que fX(x) seja realmente uma f.d.p., deve satisfazer:

1. f X (x)  0 x

2.  f X (x)dx  1

 A primeira representa o primeiro axioma da probabilidade, no
qual defini-se que a probabilidade de um evento ocorrer deve
ser maior ou igual a zero;

 A segunda regra representa o segundo axioma, onde definiu-se
que a soma das probabilidades de todos os resultados possíveis
de ser 1. Neste caso, como o espaço amostral é contínuo, utiliza-
se a integração no local da somatória.
V.A. Contínua
 Exemplo: objetos circulares como pneus apresentam
imperfeições. Considere a linha de referência entre o ponto
central do pneu e a válvula do pneu e seja X a v.a. que
representa o ângulo medido, no sentido horário, da linha de
referência até a imperfeição. Uma possível f.d.p. de X é:
 1
 se 0  x  360
f X (x)  360

0 em outros casos


V.A. Contínua
 Pelo gráfico abaixo vemos que para todo valor de X, fX(x)≥0;
 Além disso, Se calcularmos a área desta função temos:

fX(x)

 Então esta função realmente é um f.d.p.


V.A. Contínua
 Para o mesmo exemplo, qual a probabilidade da
imperfeição estar entre 90º e 180º?
180 180 180

 f X (x)dx  
1 x 180 90 1
P(90  X  180)  dx    
90 90 360 360 90 360 360 4

 Que, para este caso, também poderia ser calculado como:


 fX(x)

x
V.A. Contínua
 Proposição:
 Se X é uma v.a. contínua, então para qualquer constante c:
c
P(X  c)   f X (x)dx  0
c

 Assim:

P(a  X  b)  P(a  X  b)  P(a  X  b)  P(a  X  b)




 Isto indica que a probabilidade atribuída a qualquer valor


especifico é zero e a probabilidade de um intervalo não
 depende da inclusão ou não de seus pontos extremos.
V.A. Contínua
 Exemplo: segundo o artigo “The Statistical Properties of
Freeway Traffic”, o tempo entre passagens de carros em
uma estrada apresenta a seguinte f.d.p.:

0,15e 0,15(x 0,5) para x  0,5


f X (x)  
0 caso contrário

 Se integrarmos esta função em todo seu domínio temos:

  

 f X (x)dx   0,15e 0,15(x 0,5)dx  0,15e 0,075  e 0,15x dx


 0,5 0,5

1 (0,15)(0,5)
 0,15e 0,075
e 1
0,15
V.A. Contínua
 Qual a probabilidade de o tempo entre passagens ser no
máximo 5 segundos?
5 5 5
P(X  5)   f X (x)dx   0,15e 0,15(x 0,5)
dx  0,15e 0,075  e 0,15x dx
 0,5 0,5

0,075 1
5

 0,15e e 0,15x  e 0,075 (e 0,75  e 0,075)


0,15 0,5

 1,078(0,472  0,928)  0,491


V.A. Contínua
 Função Distribuição de Probabilidade (F.D.P.)
 Definição: a F.D.P. FX(x) de uma v.a. contínua X é definida para
cada número x por

x
FX (x)  P(X  x)   f X (y)dy


 Para cada x, FX(x) é a área abaixo da curva de densidade à


esquerda de x. Esta propriedade é ilustrada na próxima figura.

V.A. Contínua

 Observe que, assim como no caso discreto, a F.D.P. para v.a.


contínuas é sempre não decrescente, iniciando em zero e
terminando em valor 1.
V.A. Contínua
 Uso de FX(x) para Calcular as Probabilidades:
 Proposição: seja X uma v.a. contínua com f.d.p. fX(x) e F.D.P.
FX(x). Então, para qualquer número a,

P(X  a) 1 FX (a)


 E, para quaisquer dois números a e b com a<b,

 P(a  X  b)  FX (b)  FX (a)


V.A. Contínua
 A figura ilustra P(a  X  b)  FX (b)  FX (a)


V.A. Contínua
 Exemplo: suponha que a f.d.p. da grandeza X (em newtons)
de uma carga dinâmica em uma ponte seja dada por

 Para qualquer número entre 0 e 2,


V.A. Contínua
 Dessa forma:

 Qual a probabilidade da carga estar entre 1 e 1,5?


V.A. Contínua
 Qual a probabilidade de a carga exceder 1?

 Gráficos de fX(x) e FX(x)


V.A. Contínua
 Obtendo fX(x) a apartir de FX(x):
 Para X discreta,a f.d.p. é obtida pela F.D.P. calculando-se a
diferença entre dois valores FX(x)
 Para o caso contínuo, a forma de encontrar fX(x) a partir de FX(x)
é trocando o somatório pela integração.
 Proposição: se X for uma v.a. contínua com f.d.p. fX(x) e F.D.P.
FX(x), então para qualquer x em que a derivada F’X(x) existir

F'X (x)  f X (x)


V.A. Gaussiana
 X é dito ser uma v.a. Gaussiana se
1
f X ( x)  e ( x   ) / 2 2
2
.
2 2

 A curva apresenta uma simetria em relação um parâmetro μ


e sua distribuição é dada por:
x 1 x
 e ( y   ) / 2 2
FX ( x )  dy  G
2
,

2 2
  

f X (x )

x

V.A. Uniforme
 X é uma v.a. Uniforme no intervalo [a, b] se a probabilidade
de qualquer valor deste intervalo for equiprovável.

 A f.d.p de X será então


 1
 , a  x  b,
f X ( x)   b  a

 0, outros valores

f X (x )
1
ba
x
a b
V.A. Exponencial
 X é uma v.a. Exponencial de parâmetro λ quando

 1
 e  x /  , x  0, 1  e x /  , x  0,
f X ( x)    FX ( x)  
  0, otherwise.
 0, otherwise.


f X (x )

x
Valor Esperado de V.A. Contínua
 Para uma v.a. discreta X, E[X] é obtida pela soma de x.fX(x)
para todos os possíveis valores de X. No caso contínuo,
troca-se o somatório pela integral.

 Definição: O valor esperado ou média de uma v.a. contínua


X com f.d.p. fX(x) é


X  E[X]   x. f X (x)dx

Valor Esperado de V.A. Contínua
 Exemplo: a venda semanal de seixo (em toneladas) de uma
certa empresa de materiais de construção é dada por

3
(1  x 2 )

 0  x 1
f (x)  2 

X 
0  caso contrário

 Então o valor esperado de venda semanal é


 1

 x. f 
3
E[X]  X (x)dx  x (1  x 2 )dx 
 0 2
 4 
1
1 2
  (x  x )dx     
3 3 3 x x 3
2 0 2  2 4 0 8
Variância de V.A. Contínua
 Definição:
 a variância de uma v.a. contínua X com f.d.p. fX(x) é

 2  VAR(X)  E[(X  E[X]) 2 ]



  (x  E[X]) 2
. f X (x)dx


ou
 E[X 2 ]  (E[X]) 2
 E o desvio padrão é

  VAR(X)

Variância de V.A. Contínua
 Para o exemplo da venda semanal de seixo
 1

x 
3
E[X ] 
2 2
. f X (x)dx  x (1  x 2 )dx 
2

 0 2
1

 (x 2  x 4 )dx 
3 1

2 0 5

VAR(X)  E[X 2 ]  (E[X]) 2


1 3 
2

     0,059
5 8 

  VAR(X)  0,059  0,244


Função de V.A. Contínua
 Assim como no caso discreto, em muitas situações estamos
interessados no valor de uma função h de uma v.a. X. Neste
caso, quando X é contínua e Y=h(X), temos que o valor
esperado de h(X) é definido como


E[h(X)]   h(x) f X (x)dx



Função de V.A. Contínua
 Se Y=h(X)=X2, qual o valor esperado de Y?
 Primeiro observamos que para qualquer valor de X, Y sempre
estará no intervalo [0, +∞)
 Em seguida verificamos que

FY (y)  P(X 2  y)  P  y  X   y 
 FX ( y )  FX ( y ), y  0.

 Então
FY (y) 1
 fY (y)  d  [ f X ( y )  f X ( y )]
dy 2 y
 E o valor esperado


 y2
1
 E[Y]  [ f X ( y )  f X ( y )]dy
 y

Você também pode gostar