Variàveis Aleatórias

Dep.
Matemática
Escola Superior de
VARIÁVEIS ALEATÓRIAS
Tecnologia de Viseu Conceitos básicos
Conceitos básicos: Variável Aleatória

Variável aleatória (v.a.)Æ valor numérico que é resultado de uma experiência
aleatória.
Podemos ter variáveis aleatórias contínuas ou discretas.
Exemplo 1: Suponha que lança duas moedas e regista a face voltada para
cima. Esta experiência aleatória tem 4 resultados possíveis:
Cara-Cara; Cara-Coroa; Coroa-Cara e Coroa-Coroa.
Seja X a variável aleatória que representa o número de caras obtidas.
Esta variável pode tomar os valores 0, 1, ou 2; é uma variável aleatória
discreta.
1
Carla Henriques e Manuel Reis Probabilidades e Estatística – Engenharia do Ambiente
Dep. Matemática
Escola Superior de
Exemplo 2: O Departamento de Recursos Humanos de uma determinada

empresa está a fazer um estudo no qual interessa analisar o rendimento mensal
per capita do agregado familiar dos seus empregados.
O rendimento mensal per capita do agregado familiar de um empregado
escolhido ao acaso, X, é uma v.a. contínua.
Outros exemplos:
¾ peso de um indivíduo, em kg Æ v.a. contínua.
¾ nº de vezes que um indivíduo vai ao cinema mensalmente Æ v.a. discreta
2
Dep. Matemática
Escola Superior de
Distribuição de Frequências vs. Distribuição de Probabilidades

Distribuição de Frequências
No contexto do Exemplo 1, suponha que se lançaram 100 vezes as duas
moedas, tendo-se obtido os seguintes resultados:
Frequência Freq.
Número Frequência
relativa relativa
de caras absoluta
acumulada
0 26 0.26 0.26
1 50 0.50 0.76
2 24 0.24 1
A tabela anterior descreve a distribuição de frequências do nº de caras obtidas

por cada lançamento de duas moedas, em 100 lançamentos.
3
Dep. Matemática
Escola Superior de
Podemos calcular a média, x , e a variância, s2, do nº de caras obtidas por

lançamento:
x = 0.26 × 0 + 0.5 × 1 + 0.24 × 2 = 0.98
s =
2 1 ⎛n
⎜∑ i i
n − 1 ⎝ i =1
n x 2
− nx 2⎞
⎟ =
1
( )
26 × 0 2 + 50 × 12 + 24 × 2 2 − 100 × 0.98 2 = 0.505
⎠ 99
Considere-se agora o Exemplo 2 e suponhamos que foram seleccionados ao

acaso 100 empregados que constituem a amostra em estudo. Os dados
recolhidos relativamente ao rendimento mensal per capita do agregado familiar
desses 100 empregados estão sumariados na tabela seguinte.
4
Dep. Matemática
Escola Superior de
Frequência Freq.
Rendimento Frequência
relativa relativa
(em Euros) absoluta
acumulada
[100, 300[ 15 0.15 0.15
[300, 600[ 40 0.4 0.55
[600, 900[ 32 0.32 0.87
[900, 2000[ 13 0.13 1
A tabela anterior descreve a distribuição de frequências do rendimento mensal

per capita do agregado familiar dos 100 empregados.
Calcule-se a média e o desvio padrão desta amostra:
200 × 15 + 450 × 40 + 750 × 32 + 1450 × 13
x= = 638.5
100
s=
1 ⎛n 2⎞
⎜ ∑ ni x i − nx ⎟ =
n − 1 ⎝ i =1
2
⎠
1
99
(200 2 × 15 + L + 1450 2 × 13 − 100 × 638.5 2 ) = 366.04
5
Dep. Matemática
Escola Superior de
Distribuição de Probabilidades
Nos exemplos anteriores, foram registadas as frequências observadas num

estudo onde a v.a. em causa é observada um nº finito, n, de vezes (no caso
n=100).
A distribuição de probabilidades da v.a. X descreve o que se esperaria

encontrar se fosse possível observar a v.a. um nº infinito de vezes.
6
Dep. Matemática
Escola Superior de
Distribuição de probabilidades discreta
Relacionando cada valor da variável aleatória discreta X com a probabilidade de

ocorrência desse valor, estamos a descrever a distribuição de probabilidades da
v.a. discreta X. A função de probabilidade de X é uma função f X que associa a
cada valor possível x de X a sua probabilidade: f X ( x) = P( X = x) . Tem-se que
∑f
xi
X ( xi ) = 1 .
7
Dep. Matemática
Escola Superior de
Exemplo 1: Distribuição de probabilidades da v.a. nº de caras obtidas no

lançamento de duas moedas
Número
Probabilidade
de caras
P(X=xi)
xi
0 0.25
1 0.50
2 0.25
8
Dep. Matemática
Escola Superior de
Neste caso, a média e a variância são usualmente representados por µ e σ2 e

são calculados usando as probabilidades, da seguinte maneira:
µ = E ( X ) = ∑ xi f X ( xi ) = 0.25 × 0 + 0.5 × 1 + 0.25 × 2 = 1

i
σ 2 = Var( X ) = E((X − µX ) ) = E( X ) − (E( X )) = 0.25 × 0 + 0.50 × 1 + 0.25 × 2 − 1 = 0.5

2 2 2 2 2 2 2
A distribuição de probabilidades pode ainda ser descrita através da chamada

função de distribuição cumulativa F(x), que, para cada x, nos dá a
probabilidade da v.a. assumir um valor inferior ou igual a x:
F(x)=P(X≤x) Æ probabilidade acumulada até x
9
Dep. Matemática
Escola Superior de
Para a v.a. do Exemplo 1, podemos completar a tabela introduzindo os valores

das probabilidades acumuladas até 0, 1 e 2, isto é, apresentando os valores de
F(x1), F(x2) e F(x3).
Número
Probabilidade
de caras F(xi)
P(X=xi)
xi
0 0.25 0.25
1 0.50 0.75
2 0.25 1
10
Dep. Matemática
Escola Superior de
Para outros valores de x ∈ R:
Se x<0, tem-se FX ( x) = P( X ≤ x) = 0 ;
Se 0≤x<1, tem-se FX ( x) = P( X ≤ x ) = P( X = 0) = f X (0) = 0.25 ;
Se 1≤x<2, tem-se FX ( x) = P( X ≤ x ) = P( X = 0) + P( X = 1) = f X (0) + f X (1) = 0.25 + 0.5 = 0.75 ;
Se x≥2, FX ( x) = P( X ≤ x ) = P( X = 0) + P ( X = 1) + P ( X = 2) = f X (0) + f X (1) + f X (2) = 0.25 + 0.5 + 0.25 = 1 .
11
Dep. Matemática
Escola Superior de
Resumindo,
⎧ 0 se x < 0
⎪0.25 se 0 ≤ x < 1
⎪
FX ( x ) = ⎨
⎪0.75 se 1 ≤ x < 2 .
⎪⎩ 1 se x ≥ 2
Na figura seguinte representa-se FX graficamente.
1
Função de Distribuição
0,75
0,5
0,25
0
-1 0 1 2 3
12
Dep. Matemática
Escola Superior de
Distribuição de probabilidades contínua

A probabilidade de uma variável aleatória continua tomar um valor particular é
zero (recorde que teoricamente uma v.a. contínua pode tomar um nº infinito de valores
num intervalo de nº reais, logo, é evidente que a probabilidade de ela assumir um valor
particular entre um nº infinito será zero).
Consequentemente, uma variável aleatória contínua não pode ser expressa na

forma tabular; usa-se então uma função para a exprimir.
Uma função muito usada para descrever a distribuição de probabilidades é a
função densidade de probabilidade (representada por f X (x) ), abreviadamente fdp.
13
Dep. Matemática
Escola Superior de
Também podemos descrever a distribuição de probabilidades através da função

x
de distribuição cumulativa F ( x ) = P ( X ≤ x ) = ∫f
−∞
X (t ) dt donde F ' ( x) = f ( x)
X X
14
Dep. Matemática
Escola Superior de
Vamos recorrer ao Exemplo 2 para ilustrar a utilidade destas funções.

Exemplo 2:
Suponhamos que a função densidade de probabilidade da v.a. X - rendimento
mensal per capita do agregado familiar de um empregado escolhido ao acaso – é
representada graficamente da seguinte maneira:
15
Dep. Matemática
Escola Superior de
¾ A probabilidade do rendimento familiar per capita de um empregado

(escolhido ao acaso) ser inferior ou igual a a corresponde à área limitada
(superiormente) pela função densidade, (inferiormente) pelo eixo das abcissas e
por a (à direita) [área sombreada].
[área sombreada]=P(X≤a)=F(a)
16
Dep. Matemática
Escola Superior de
¾ A probabilidade do rendimento familiar per capita de um empregado

(escolhido ao acaso) estar compreendido entre dois valores, a e b, corresponde à
área limitada (superiormente) pela função densidade, (inferiormente) pelo eixo
das abcissas, (à esquerda) por a e (à direita) por b [área sombreada].
[área sombreada]=P(a<X<b)=F(b)-F(a)
17
Dep. Matemática
Escola Superior de
Obviamente, a área limitada superiormente pela função densidade e

inferiormente pelo eixo das abcissas é igual a 1, pois corresponde à probabilidade
de se observar qualquer valor para o rendimento familiar per capita de um
empregado (escolhido ao acaso).
18
Dep. Matemática
Escola Superior de
Exemplo 3 :
O director de compras da empresa “Baratinho” pretende definir uma política de
aquisição de matéria-prima para o próximo ano. As necessidades de matéria-
prima por dia (em toneladas) são uma variável contínua com função densidade
de probabilidade:
⎧1 − x / 2 ,0 ≤ x ≤ 2
f X ( x) = ⎨
⎩ 0 , outros valores
+∞
µ = E ( X ) = ∫ xf X ( x)dx = ∫ x(1 − x / 2)dx = ∫ x − x / 2dx =[x / 2 − x / 6]x =0
2 2
x=2 2
2 2 3
=
−∞ 0 0
3
19
Dep. Matemática
Escola Superior de
σ 2 = Var( X ) = E (( X − µ X ) 2 ) = E ( X 2 ) − ( E ( X )) 2 =
+∞
[ ]
2 2 2
⎛2⎞ ⎛2⎞ ⎛2⎞
2
x=2 2
= ∫ x f X ( x)dx − ⎜ ⎟ = ∫ x (1 − x / 2)dx − ⎜ ⎟ = x / 3 − x / 8 x =0 − ⎜ ⎟ =
2 2 3 4
−∞ ⎝3⎠ 0 ⎝3⎠ ⎝3⎠ 9
Função de distribuição cumulativa de X:
Se x<0, vem:
x x
FX ( x ) = P(X ≤ x ) = ∫ f X (t ) dt = ∫ 0 dt = 0
−∞ −∞
20
Dep. Matemática
Escola Superior de
Se 0≤x<2, vem:
x 0 x
FX ( x ) = P(X ≤ x ) = ∫ f X (t ) dt = ∫ f X (t ) dt + ∫ f X (t ) dt
−∞ −∞ 0
x
0
⎛ t⎞
x
⎡ t ⎤ x22
= ∫ 0 dt + ∫ ⎜1 − ⎟ dt = 0 + ⎢t − ⎥ = x −
0⎝
−∞
2⎠ ⎣ 4 ⎦0 4
Se x≥4 vem:
x 0 2 x
FX ( x) = ∫f
−∞
X (t ) dt = ∫ f X (t ) dt + ∫ f X (t ) dt + ∫ f X (t ) dt
−∞ 0 2
⎛ x⎞
0 2 x
22
= ∫ 0 dt + ∫ ⎜1 − ⎟ dt + ∫ 0 dt = 0 + 2 − + 0 = 1
0⎝
−∞
2⎠ 2
4
21
Dep. Matemática
Escola Superior de
Resumindo,
⎧ 0 x<0
⎪⎪ x2
FX ( x) = ⎨ x − se 0 ≤ x < 2
⎪ 4
⎪⎩ 1 se x ≥ 2
Na figura seguinte representa-se FX graficamente.
FX 1
0,8
0,6
0,4
0,2
0
-1 0 1 2 3
22
Dep. Matemática
Escola Superior de
Em estudos de inferência estatística, em geral, estuda-se uma característica

numa dada população, que é representada por uma v.a., digamos X. Contudo, é
através de uma amostra que esta característica é estudada (recorde o Exemplo
2).
A distribuição de probabilidades de X é usualmente designada por distribuição
populacional. A média e variância desta variável aleatória, µ e σ2, dizem-se
parâmetros populacionais, pois são os valores que se encontrariam se fosse
possível observar todos os elementos da população.
Ao observar uma amostra, temos acesso apenas a uma distribuição de
frequências, e à média e variância amostrais, que nos dão uma ideia,
respectivamente, da distribuição populacional e da média e variância
populacional.
23

Variàveis Aleatórias

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Variàveis Aleatórias

Diunggah oleh

Hak Cipta:

Format Tersedia

Dep.

Conceitos básicos: Variável Aleatória

Exemplo 2: O Departamento de Recursos Humanos de uma determinada

Distribuição de Frequências vs. Distribuição de Probabilidades

A tabela anterior descreve a distribuição de frequências do nº de caras obtidas

Podemos calcular a média, x , e a variância, s2, do nº de caras obtidas por

Considere-se agora o Exemplo 2 e suponhamos que foram seleccionados ao

A tabela anterior descreve a distribuição de frequências do rendimento mensal

Nos exemplos anteriores, foram registadas as frequências observadas num

A distribuição de probabilidades da v.a. X descreve o que se esperaria

Distribuição de probabilidades discreta

Relacionando cada valor da variável aleatória discreta X com a probabilidade de

Exemplo 1: Distribuição de probabilidades da v.a. nº de caras obtidas no

Neste caso, a média e a variância são usualmente representados por µ e σ2 e

µ = E ( X ) = ∑ xi f X ( xi ) = 0.25 × 0 + 0.5 × 1 + 0.25 × 2 = 1

σ 2 = Var( X ) = E((X − µX ) ) = E( X ) − (E( X )) = 0.25 × 0 + 0.50 × 1 + 0.25 × 2 − 1 = 0.5

A distribuição de probabilidades pode ainda ser descrita através da chamada

F(x)=P(X≤x) Æ probabilidade acumulada até x

Para a v.a. do Exemplo 1, podemos completar a tabela introduzindo os valores

Para outros valores de x ∈ R:

Se 0≤x<1, tem-se FX ( x) = P( X ≤ x ) = P( X = 0) = f X (0) = 0.25 ;

Se 1≤x<2, tem-se FX ( x) = P( X ≤ x ) = P( X = 0) + P( X = 1) = f X (0) + f X (1) = 0.25 + 0.5 = 0.75 ;

Se x≥2, FX ( x) = P( X ≤ x ) = P( X = 0) + P ( X = 1) + P ( X = 2) = f X (0) + f X (1) + f X (2) = 0.25 + 0.5 + 0.25 = 1 .

Na figura seguinte representa-se FX graficamente.

Distribuição de probabilidades contínua

Consequentemente, uma variável aleatória contínua não pode ser expressa na

Também podemos descrever a distribuição de probabilidades através da função

Vamos recorrer ao Exemplo 2 para ilustrar a utilidade destas funções.

¾ A probabilidade do rendimento familiar per capita de um empregado

¾ A probabilidade do rendimento familiar per capita de um empregado

Obviamente, a área limitada superiormente pela função densidade e

−∞ ⎝3⎠ 0 ⎝3⎠ ⎝3⎠ 9

Função de distribuição cumulativa de X:

Na figura seguinte representa-se FX graficamente.

Em estudos de inferência estatística, em geral, estuda-se uma característica

Anda mungkin juga menyukai