Escolar Documentos
Profissional Documentos
Cultura Documentos
Variáveis Aleatórias
Variáveis Aleatórias
• Mais precisamente…
Variáveis Aleatórias
• Uma variável aleatória é uma função
(mensurável) X: W R que associa um
número real a cada resultado de um
experimento aleatório.
Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
W = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições
Quando se observa cck:
X=2
Y=1
Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
W = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições
x 0 1 2 3
P(X=x)
Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
W = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
1
7/8
1/2
1/8
1 2 3
Se x < 0: P(X≤x) = 0
Se 0 ≤ x <1: P(X≤x) = P(X=0) = 1/8
Se 1 ≤ x <2: P(X≤x) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2
Função de Distribuição Acumulada
• Roleta numerada continuamente de 0 a 10
X = prêmio ganho
0, se x < 0
P(X ≤ x) = x/10, se 0 ≤ x ≤ 10
1, se x > 10
10
Função de Distribuição Acumulada
• Lança moeda honesta; se tirar cara, gira roleta
numerada continuamente de 0 a 10
X = prêmio ganho
Função de Distribuição Acumulada
• Lança moeda honesta; se tirar cara, gira roleta
numerada continuamente de 0 a 10
X = prêmio ganho
0, se x < 0
P(X ≤ x) = ½ + ½ x/10, se 0 ≤ x ≤ 10
1, se x > 10
10
Tipos de Variáveis Aleatórias
• Discretas
FX(x) = xi x P(X = xi)
• (Absolutamente) Contínuas
FX(x) = xi x fX(x) dx
(onde fX(x) é a densidade de probabilidade de
X)
• Mistas
FX(x) = xi x P(X = xi) + xi x fX(x) dx
(Há outras, mais patológicas …)
Exemplo
10
P(X = 0) = ½
0, se x < 0
fX(x) = 1/20, se 0 x 10
0, se x > 10
Propriedades da F.D.A.
• FX é não-decrescente
P(X = 2) =
FX(x)
P(X = 3) =
1
0,65
0,4
P(X < 3) =
1 3 x P(1 X 3) =
Principais Distribuições
Discretas
• Bernoulli
• Binomial
• Geométrica
• Hipergeométrica
• Poisson
Principais Distribuições Contínuas
• Uniforme
• Exponencial
• Normal (e associadas: c2, t, F)
Bernoulli
• Espaço amostral binário (sucesso-
fracasso, sim-não, 1-0)
1, com probabilidade p
• X=
0, com probabilidade 1–p
Notação: X be(p)
Binomial
Notação: X B(n, p)
Geométrica
Poisson (30)
EX xi P( X xi ) xi P( X xi )
xi 0 xi 0
finito finito EX R
– finito EX = –
finito + EX = +
– + EX não definido
Paradoxo de S. Petersburgo
• Jogo em que chance de vitória é 1/3, mas
cuja aposta é 1:1.
• Estratégia: jogar até vencer, sempre
dobrando o valor da aposta.
• Variáveis aleatórias de interesse:
X = ganho quando se aposta 1.
N = número de apostas até a saída.
Y = ganho na saída.
Paradoxo de S. Petersburgo
• X= –1, com prob. 2/3
1, com prob. 1/3
EX = –1/3.
• N é finito com prob. 1
2
1 2 1 2 1
EN .1 . .2 . .3 .... 3
3 3 3 3 3
• Y=1
Paradoxo de S. Petersburgo
• Mas seja C o capital usado até a vitória
2 n 1
1 2 1 2 1 2 1
EC .1 . .3 . .7 .... . .(2 n 1) ...
3 3 3 3 3 3 3
Propriedades
• E(aX + b) = aEX + b
• Mas, em geral, E(g(X)) g(E(X))
• Exemplo: Y = X2
EX = (–1).0,2.(–1)+0.0,4+1.0,4 = 0,2
X p
–1 0,2 Y p
EY = 0.0,4+1.0,6 = 0,6
0 0,4 0 0,4
1 0,4 1 0,6
• Note que
EY = 02.P(X=0) + 12 .P(X=1) + (–1)2 .P(X=–1)
Propriedades
• Para X discreta:
E(g(X)) = i g(xi) P(X=xi)
Var(X1 + X2 +…+ Xn ) =
Var(X1) + Var(X2) + …+ Var(Xn)
Exemplo
• X ~ binomial(p)
Variáveis Aleatórias Contínuas
- f(t)
x
F(x) = dt
• f 0 é a densidade de X
P(a < X < b) = a f(t) dt
b
•
- f(t) dt = 1
+
•
• f(x) = F’ (x)
• P(x–/2 < X < x+/2 ) f(x)
x
Exemplo
• Seja X a abscissa de um ponto escolhido
ao acaso no triângulo da figura. Qual é a
densidade de X?
1
Solução
1
x.x / 2
F ( x) P( X x) x2
1.1 / 2
x 1
d d 2
f ( x) F ( x) x 2 x (0 x 1)
dx dx
Outra solução
1
f ( x) kx
1
1 kx
2 k
kx 2 2 1 k 2 x 1
0
0
f ( x) 2 x (0 x 1)
Esperança
– discreta: EX xi P( X xi )
i
– contínua: EX xi P( X xi ) x f X ( x)dx
i
– mista: EX x f X ( x)dx
Principais Distribuições Contínuas
• Uniforme
• Exponencial
• Gama
• Normal (e associadas: c2, t, F)
Distribuição Uniforme
fX 1/(b-a)
a b
FX 1
a b
Distribuição Exponencial
• De volta ao exemplo do site na Internet.
Qual é a distribuição do tempo de espera
X até a ocorrência do primeiro acesso?
• X > t se e só se o número de acessos em
[0, t] é igual a 0
• Logo, P(X>t) = P(N = 0), onde
N~Poisson(lt)
• Portanto, P(X>t) = e-lt
Distribuição Exponencial
• X tem distribuição exponencial com
parâmetro l quando
FX (x) = 1–e – lx, para x >0
• Ou seja,
fX(x) = le – lx , para x > 0
Exemplo
• O tempo de vida, em meses, de um
componente tem distribuição
exponencial de parâmetro l = 0,5.
a) Qual é a probabilidade de que um
componente novo dure pelo menos 2
meses?
b) Dado que um componente usado já tem 1
mês de vida, qual é a probabilidade de que
ele dure pelo menos mais dois meses?
Processo de Poisson
• Tempo entre chegadas consecutivas
independentes, com distribuição
exponencial (l)
• Número de chegadas em intervalos
disjuntos independentes e com
distribuição Poisson (lt), onde t é o
comprimento do intervalo
Exemplo
• Os acidentes em uma rodovia ocorrem de
acordo com um Processo de Poisson de taxa 2
acidentes por dia
– Número médio de acidentes por semana?
– Número médio de dias sem acidentes por semana?
– Intervalo médio entre acidentes?
– Probabilidade de que haja 2 acidentes na 2a e 1 na
3a?
– Probabilidade de que o primeiro acidente em um
certo dia só ocorra depois das 12 horas?
Distribuição Normal
• A distribuição normal padrão é a distribuição da
variável aleatória Z de densidade
z2
1
f Z ( z) e 2
2
• Notação: Z ~ N(0, 1)
EZ = 0, Var Z = 1
Distribuição Normal
• Uma variável X tem distribuição normal
com parâmetros m (média) e s2 (variância)
quando é da forma X = sZ + m, onde
Z~N(0,1)
X= Y/2 X Y = 2X Y
Densidade da distribuição
normal
• A densidade da v.a. X com distribuição normal
N(m, s2) é
( xm )2
1
f X ( x) e 2s 2
2 s
Exemplo
• As notas dos alunos em um teste têm
distribuição normal com média 70 e
desvio padrão 10.
– Se um aluno for escolhido ao acaso, qual é
a probabilidade de que sua nota seja maior
que 85?
– Qual é a nota correspondente ao percentil
95%?
V. A. Multidimensionais
• Exemplo: moeda honesta lançada 3 vezes
X = número de caras
Y = número de transições
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
y 0 1 2
P(Y=y) 1/4 2/4 1/4
w X Y
ccc 3 0
cck 2 1
ckc 2 2
kcc 2 1
ckk 1 1
kck 1 2
kkc 1 1
kkk 0 0
Distribuição Conjunta
w P X Y X 0 1 2 3
ccc 1/8 3 0 Y
cck 1/8 2 1 0
ckc 1/8 2 2 1
kcc 1/8 2 1
2
ckk 1/8 1 1
kck 1/8 1 2
kkc 1/8 1 1
kkk 1/8 0 0
Distribuição Conjunta
w P X Y X 0 1 2 3
ccc 1/8 3 0 Y
cck 1/8 2 1 0 1/8 - - 1/8
ckc 1/8 2 2 1 - 2/8 2/8 -
kcc 1/8 2 1
2 - 1/8 1/8 -
ckk 1/8 1 1
kck 1/8 1 2 P(X=2 e Y =1) = 2/8
kkc 1/8 1 1
kkk 1/8 0 0
Distribuição Conjunta
• A distribuição conjunta de X = (X1, X2, ...,
Xn) completamente caracteriza
probabilidades envolvendo X1, X2, ..., Xn e
quaisquer subconjuntos delas
(distribuições marginais).
Distribuição Conjunta
X 0 1 2 3 Y
Y
0 1/8 - - 1/8
1 - 2/8 2/8 -
2 - 1/8 1/8 -
X
Distribuição Conjunta
X 0 1 2 3 Y
Y
0 1/8 - - 1/8 1/4
1 - 2/8 2/8 - 1/2
2 - 1/8 1/8 - 1/4
X 1/8 3/8 3/8 1/8
Função de Distribuição Acumulada
• A distribuição conjunta de X = (X1, X2, ...,
Xn) é completamente caracterizada pela
sua função de distribuição acumulada.
FX1, X2, ... Xn (x1, x2, ..., xn) =
P(X1 x1, X2 x2, ..., Xn xn)
• Exemplo
FX1(x1) = ?
Função de Distribuição Acumulada
• A distribuição conjunta de X = (X1, X2, ...,
Xn) é completamente caracterizada pela
sua função de distribuição acumulada.
FX1, X2, ... Xn (x1, x2, ..., xn) =
P(X1 x1, X2 x2, ..., Xn xn)
• Exemplo
FX1(x1) = limx2 , ..., xn FX1, X2, ... Xn (x1, x2, ..., xn)
Tipos de distribuição conjunta
• Discretas
Quando existe um conjunto enumerável
A = {x1, x2, ...} tal que P(X A) = 1.
Neste caso, P(X B) = xi B P(X = xi)
Tipos de distribuição conjunta
• Discretas
Quando existe um conjunto enumerável
A = {x1, x2, ...} tal que P(X A) = 1.
Neste caso, P(X B) = xi B P(X = xi)
• Contínuas
Quando existe uma função de densidade f tal
que
x1 x2 xn
FX1, X 2 ,..., X n ( x1, x2 ,..., xn ) ... f (t1, t 2 ,...t n )dtn ...dt2 dt1
Neste caso:
P( X B) ... f (t1, t 2 ,...t n )dtn ...dt2 dt1
B
Exemplo
• Um ponto (X, Y) é escolhido no
quadrado unitário com densidade
proporcional a x+y.
– Qual é a função de densidade?
– Qual é a probabilidade de que X seja menor
que 1/2?
Propriedades
• Esperança de funções de v.a. multidimensionais
E(g(X)) = i g(xi) P(X=xi) (discreta)
E(g(X)) = Rn g(x) fX(x) dx (contínua)
• Casos particulares:
• EX = R2 x fX,Y(x,y) dy dx
• Em geral, E (XY) EX EY
• Mas E(XY) = EX EY se X e Y são
independentes.
E ( XY ) xy f X ,Y ( x, y )dy dx
xy f X ( x) fY ( y )dy dx
X
x f ( x ) Y
y f ( y ) dy dx
x f X ( x)dx y fY ( y )dy EX EY
Observação
• X, Y independentes E(XY) = EX EY
• E(XY) = EX EY X, Y independentes
não correlacionadas
Covariância e Correlação
• Cov(X, Y) = E(X–EX)(Y–EY) =
= E(XY) – EX EY
• r(X, Y) = Cov(X,Y)/s(X)s(Y)
• Teorema: –1 ≤ r(X, Y) ≤ 1