Beruflich Dokumente
Kultur Dokumente
Variáveis aleatórias
Experimento aleató
aleatório: Lançamento de uma moeda honesta
três vezes e observação das faces que ocorrem.
Introdução e conceito c → ccc
c
c k → cck
Variáveis aleatórias discretas Diagrama c → ckc
k
em árvore k → ckk
Variáveis aleatórias contínuas c → kcc
c
k k → kck
c → kkc
k
k → kkk
#S = 2 x 2 x 2 = 23 = 8
S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk}
Experimento aleató
aleatório: Lançamento de uma moeda honesta
três vezes e observação das faces que ocorrem.
Variável aleatória
Definiç
Definição: É uma função (ou regra) que transforma um espaço
S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk}
amostral qualquer em um espaç
espaço amostral numé
numérico,
rico que será
X = número de caras ocorrido nos três lançamentos sempre um subconjunto do conjunto dos números reais.
1
Exemplo: Lançamento de uma moeda honesta até que
Discretas ocorra a face cara e observação das faces que ocorrem.
Variá
Variáveis aleató
aleatórias
S = {c , kc , kkc , kkkc , kkkkc , kkkkkc, ...}
Contí
Contínuas
X = número de coroas até que ocorra cara
SX = {0 , 1 , 2, 3 , 4 , 5, ...} X(c) = 0
Variáveis aleatórias discretas X(kc) = 1
X S
S → X
Definiç
Definição: São discretas todas as variáveis cujo espaço
amostral SX é enumerá
enumerável finito ou infinito.
infinito Y = número de lanç
lançamentos até que ocorra cara
Se X é uma variável aleatória discreta, então SX é um
SY = {1, 2 , 3 , 4 , 5 , 6, ...} Y(c) = 1
subconjunto dos inteiros.
inteiros
Y(kc) = 2
Y S
S → Y
5 6
c c → ccc
Definiç
Definição: Seja X uma variável aleatória discreta e SX o c k → cck
seu espaço amostral. A função de probabilidade P(X=x),
P(X=x) Diagrama c → ckc
k
ou simplesmente p(x),
p(x) será a funç
função que associa a cada em árvore k → ckk
c → kcc
valor de X a sua probabilidade de ocorrência,
ocorrência desde que c
k k → kck
atenda duas condições: c → kkc
k
k → kkk
1. p(x) ≥ 0, ∀ x∈
∈SX
S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk}
2. ∑ p(x) = 1
x∈S X
X = número de caras nos três lançamentos SX = {0, 1, 2, 3}
p(0) =1/8
p(1) =3/8 Primeira 1 3 3 1 Segunda
condição + + + =1
p(2) =3/8 8 8 8 8 condição
p(3) =1/8
7 8
2
Exemplo: De uma urna com três bolas pretas e duas brancas,
Existem três formas de representar uma função:
retiram-se duas bolas juntas. Se X é o número de bolas pretas
retiradas, determine a função de probabilidade P(X=x).
Representaç
Representação tabular: consiste em relacionar em # S = C52 = 10
uma tabela os valores da função de probabilidade.
S = {B1B2, P1B1, P1B2, P2B1, P2B2, P3B1, P3B2, P1P2, P1P3, P2P3}
Representaç
Representação grágráfica: consiste em representar
graficamente a relação entre os valores da variável SX = {0, 1, 2}
e suas probabilidades C03 C22 1
P(X = 0) = =
C52 10
Representaç
Representação analí
analítica: estabelece uma expressão
C13 C12 6
geral para representar o valor da função de probabilidade P(X = 1) = =
num ponto genérico da variável C25 10
C32 C02 3
P(X = 2) = =
C25 10
9 10
Representaç
Representação tabular
X=x 0 1 2 Σ Representaç
Representação analí
analítica
1 6 3
P(X=x) 1
10 10 10
C03 C22
P(X = 0) =
Representaç
Representação grá
gráfica C52
p(x) C1 C1 C3x C22− x
P(X = 1) = 3 2 2 P(X = x) = , para SX = {0, 1, 2}
0,6
C5 C52
0,4
C32 C02
P(X = 2) =
C52
0,2
0 1 2 x
11 12
3
2. Função de distribuição ou probabilidade No exemplo: X=x 0 1 2 Σ
acumulada 1 6 3
P(X=x) 1
10 10 10
Definiç
Definição: Seja X uma variável aleatória discreta e SX o seu F(x) = P(X ≤ x) = ∑ P(X = x)
X ≤x
espaço amostral. A função de distribuição, denotada por F(x)
ou P(X ≤ x),
x) é a funç
função que associa a cada valor de X a 1
F(0) = P(X ≤ 0) = ∑ P(X = x) = P(X = 0) =
probabilidade P(X ≤ x).
x) Desta forma, temos x ≤0 10
1 6 7
F(1) = P(X ≤ 1) = ∑ P(X = x) = P(X = 0) + P(X = 1) = + =
F(x) = P(X ≤ x) = ∑ P(X = x) x ≤1 10 10 10
X ≤x
Representaç
Representação tabular Representaç
Representação analí
analítica
X=x 0 1 2 Σ
P(X=x)
1 6 3
1 C3x C 22− x
10
1
10
7
10 F(x) = P(X ≤ x) = ∑ P(X = x)
X≤x
P(X = x) =
C52
F(x) 1 -
10 10
Representaç
Representação grá
gráfica C3x C22− x
∑ C2 ,
F(x)
F(x) = P(X ≤ x) = para SX = {0, 1, 2}
1,0 X ≤x 5
0,8
0,6
No exemplo:
C3x C22− x C03 C 22 C13 C12
0,4
F(1) = P(X ≤ 1) = ∑ = +
0,2
x ≤1 C52 C52 C52
0 1 2 x
15 16
4
3. Medidas descritivas X=x 0 1 2 Σ
SX = {0, 1, 2} 1 6 3
X S P(X=x) 1
S → X 10 10 10
Conjunto Possibilita o cá
cálculo Média ou valor esperado
X Conjunto de medidas
não
numérico numérico descritivas: mé
média,
Definiç
variância, etc. Definição: Seja X uma variável aleatória discreta e SX o seu
espaço amostral. O valor médio de X, denotado por E(X),
E(X) ou
µX, ou simplesmente µ, é a média dos valores de X
No exemplo: ponderada pelas suas respectivas probabilidades de
ocorrência. Deste modo, tem-se
S = {B1B2, P1B1, P1B2, P2B1, P2B2, P3B1, P3B2, P1P2, P1P3, P2P3}
∑ x p(x)
x∈S X
X = número de bolas pretas
em duas retiradas
E(X) = µ =
∑ p(x) = 1
= ∑ x p(x)
x∈S X
SX = {0, 1, 2} x∈S X
17 18
No exemplo:
Importante!!!
X=x 0 1 2 Σ
1 6 3
P(X=x) 1
10 10 10 Não confundir µx com x.
µx é a média de todos os valores de X (para os quais a
E(X) = µ = ∑ x p(x)
x∈S X probabilidade é conhecida)
19 20
5
Exercício proposto: O tempo (em minutos) para que um Propriedades da mé
média ou valor esperado
operário processe certa peça é uma variável com distribuição 1a propriedade: A média de uma constante c é a própria
dada na tabela abaixo. constante.
E(c)=c
x 2 3 4 5 6 7
p(x) 0,10 0,10 0,30 0,20 0,20 0,10
2a propriedade: Se X é uma variável aleatória e c uma
constante, ao somarmos a constante aos valores da variável,
(a) Calcule o tempo médio de processamento. (R: µ = 4,60) a média da variável também fica somada da constante.
(b) Para cada peça processada o operário ganha um fixo de R$ E(c+X)=c+E(X)
1,00, mas se processa a peça em menos de 6 minutos, ganha R$
0,50 por cada minuto poupado. Por exemplo, se ele processa a 3a propriedade: Se X é uma variável aleatória e c uma
peça em 5 minutos, recebe a quantia de R$ 0,50. Encontre a constante, ao multiplicarmos a variável pela constante, a
média de G = quantia ganha por peça. (R: µ = 1,75) média da variável também fica multiplicada pela constante.
E(cX)=cE
E(cX)=cE(X)
(X)
21 22
OU
E(X ±Y) = E(X) ± E(Y)
= E(X 2 ) − µ2
onde:
7a propriedade: Se X e Y são duas variáveis aleatórias
independentes, a média do produto das duas variáveis é
E(X 2 ) = ∑ x p(x)
x∈S X
2
23 24
6
No exemplo: X=x 0 1 2 Σ Propriedades da variância
1 6 3 1a propriedade: Se c é uma constante, sua variância é nula.
P(X=x) 1
10 10 10
V(c)=0
12
E(X) = µ = = 1,2 2a propriedade: Se X é uma variável aleatória e c uma constante,
V(X) = σ2 = E(X − µ) 2 10
ao somarmos a constante aos valores da variável a variância da
= ∑ (x − µ) p(x)
x∈S X
2 variável não se altera.
V(X+c)=V(X)
2 2 2
12 1 12 6 12 3 36
= 0 − × + 1 − × + 2 − × = 3a propriedade: Se X é uma variável aleatória e c uma constante,
10 10 10 10 10 10 100 ao multiplicarmos a variável pela constante a variância da
2
variável fica multiplicada pelo quadrado da constante.
18 12 36 V(cX)=c2 V(X)
V(X) = σ 2 = E(X 2 ) − µ 2 = − = = 0,36 bolas pretas 2
10 10 100
4a propriedade: Se X e Y são duas variáveis aleatórias
E(X 2 ) = ∑ x 2p(x) independentes, a variância da soma (ou diferença) das duas
1 6 3 18 variáveis é igual à soma das variâncias de cada uma.
= 02 × + 12 × + 22 × =
10 10 10 10 V(X ±Y) =V(X) +V(Y),
V(Y) se X e Y são independentes
25 26
27 28
7
Exercício proposto: (a) E(X) = 0.0,10 + 1.0,20 + 2.0,40 + 3.0,20 + 4.0,10 = 2 vendas
por semana. Logo, como ele recebe R$ 100,00 por venda a renda
Um vendedor recebe uma comissão de R$ 100,00 por uma esperada semanal é: R$ 200,00.
venda. Baseado em suas experiências anteriores ele
calculou a distribuição de probabilidades das vendas
semanais: (b) Para ganhar pelo menos R$ 300,00 por semana ele deve
realizar 3 ou 4 vendas por semana. Esta probabilidade é:
x 0 1 2 3 4
p(x) 0,10 0,20 0,40 0,20 0,10 P(X ≥ 3) = 0,20 + 0,10 = 0,30 = 30%
29 30
8
Exemplo:
f (x) Seja a função f (x) = 2x, no intervalo SX = [0,1]. Verifique se f (x)
área = 1 é uma função densidade de probabilidade.
f (x)
condição: f (x) ≥ 0, ∀ x∈
Primeira condiç ∈SX
0
Como a função é linear, são necessários
x
2 • dois pontos para traçar a reta.
SX Por conveniência esses pontos são os
limites do intervalo SX.
f (x)
1
f (x) = 2x
×0 = 0
f (x=0) = 2×
área = 1
×1 = 2
f (x=1) = 2×
0 x •
0 Todos os valores da funç
função f (x) são
1 x
SX não negativos no intervalo de 0 a 1.
33
SX 34
Segunda condiç
condição: ∫ f(x)dx = 1
SX
Seja A=[0, 1/2]. Qual é a probabilidade de ocorrer o evento A?
b ×h 1 × 2
Área: = =1 Probabilidade = área
2 2
35 36
9
2. Função de distribuição ou probabilidade
Importante!!! acumulada
Definiç
Definição: Seja X uma variável aleatória contínua e SX o
No caso de variáveis contínuas, as representações a≤x≤b, seu espaço amostral. A função de distribuição, denotada por
a≤x<b, a<x≤b e a<x<b são todas equivalentes, pois a P(X≤x),
F(x) ou P(X≤ função que associa a cada ponto x∈SX
x) é a funç
probabilidade num ponto, por definição, é nula. P(X≤x).
a probabilidade P(X≤ x) Desta forma, tem-se
x
Seja o evento A={x; x=a}.
x=a} Então,
F(x) = P(X ≤ x) = ∫ f(t)dt
−∞
, para SX = (-∞;+∞).
a
P(A) = ∫ f(x)dx = ∫ f(x)dx = F(a) − F(a) = 0 Se SX =[a, b], então
A a
F(a) = P(X ≤ a) = 0
F(b) = P(X ≤ b) = 1
A
37 38
x
F(x) = ∫ f(t) dt
−∞
F(x) = x 2
x F(1) = P(X ≤ 1) = 12 = 1
= ∫ 2t dt
F(1/2) = P(X ≤ 1/2) = (1/2) = 1/4
0 2
x
t2
= 2
2 0 P(A) = F(1/2)=1/4
A=[0, 1/2]
B=[1/2, 1]
39 40
10
Medidas descritivas Exemplo: f (x) = 2x, SX =[0,1]
Definiç
Definição: Seja X uma variável aleatória contínua e SX o seu espaço 1
x 4 1 4 1 4 9 − 8 1
V(X) = σ 2 = E(X2 ) − µ2 = ∫ x 2 f(x)dx − µ2 (Fórmula prática) = 2 − = − = =
4 9 2 9 18 18
S X 0
41 42
Exercício proposto:
Determinar a média e a variância da vac cuja fdp é dada
por:
µ = -3/4 e σ2 = 3/80
f(x) = 3x2 se -1 ≤ x ≤ 0
Solução:
0 0 0
µ = E(X) = ∫−1 x f(x) dx = ∫ x (3x 2 ) dx = ∫−1(3x ) dx
3
0 −1
x4
= 3 = −3
4 −1 4
( )
0 0 2
σ2 = V(X) = ∫−1 x f(x) dx − µ = ∫−1 x (3x ) dx − − 3 4
2 2 2 2
( 16 ) = 3 x5 − ( 916) = 35 − 169
0 5
3
= ∫ 3x 4 dx − 9 =
−1 80
−1
43
11