Sei sulla pagina 1di 10

Curso DSc Concurso: EPE – Analista de Pesquisa Energética

Disciplina: Métodos Quantitativos Professor: Eduardo Campos

Variável Aleatória (V.A.)


3. VARIÁVEIS
Uma variável aleatória (v.a.) é uma
ALEATÓRIAS E representação numérica dos resultados
de um experimento aleatório.
DISTRIBUIÇÃO Exemplo 3.1 Seja o experimento
-

NORMAL do exemplo 2.3 (lançar três moedas


e observar o número de caras). A v.a.
Notas de Aula - Professor Eduardo adequada é: X = número de caras observadas.
Lima Campos.

S (espaço amostral): X • V.A.`s Discretas x Contínuas

(CO,CO,CO) 0
A v.a. do exemplo anterior assume
(CA,CO,CO)
valores que são contáveis (0, 1, 2 e 3).
(CO,CA,CO) 1
(CO,CO,CA)
Este tipo de v.a. é chamada discreta.
(CA,CA,CO) 2
(CA,CO,CA)
Uma v.a. que assuma valores em um
(CO,CA,CA) 3
intervalo contínuo é chamada contínua.
(CA,CA,CA)

• Distribuição de Probabilidade Distribuição de


Probabilidade Discreta

É uma função P(X=x) que associa,


Representa como as probabilidades a cada valor possível x de uma v.a.
distribuem-se de acordo com os valores de X. discreta X, a sua probabilidade.

Propriedades de uma distribuição discreta:


1) P( X = x ) ≥ 0, ∀x
2) ∑ P ( X = x ) = 1
x
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

Exemplo 3.2 - Na situação do exemplo 3.1, Distribuição de Probabilidade


qual a distribuição de probabilidade de X? Contínua (Função de Densidade)
Solução - a distribuição de probabilidade de X é: Uma distribuição contínua f(x) é
uma função que permite calcular
x P(X=x)
a probabilidade de que uma v.a.
0 1/8 contínua pertença a um intervalo.
1 3/8
2 3/8 P(a≤X≤b) é a área sob o gráfico de f(x)
3 1/8 que corresponde ao intervalo [a,b].

Exemplo 3.3 - Seja X = peso de um


carregamento em Kg, com distribuição: Propriedade importante de uma v.a. contínua:
O cálculo desta área
f(x) envolve uma integral:
8.000

∫ f ( x )dx
6.000
Se X é uma v.a. contínua, então
A área total
sobre a curva
P(X=x) = 0, para todo x.
é igual a 1.

x
A figura mostra: P(6.000≤X≤8.000).

Exemplo 3.4 - Seja X uma v.a.


contínua com a seguinte distribuição:
Valor Esperado

f(x) = cx2, 0<x<2. O valor esperado de uma v.a. X, E(X),


é a média dos valores que X assumiria
a) Qual o valor da constante c? em infinitas repetições do experimento.
Você tem que igualar a integral a 1.

b) Calcule P(X>1). Fórmula para o caso discreto:


E (X ) = ∑ xP( X = x ).
R: a) 3/8 b) 7/8. x
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

Exemplo 3.5 - Considere a distribuição: Observações:


P(X=0) = 1/2
1 - E(X) é também chamado média de X.
P(X=1) = 1/3
P(X=2) = 1/6. 2 - E(X) não é um valor que se espera que
ocorra, podendo ser (e em geral é) um
Calcule o valor esperado de X. valor que não ocorre, como neste caso!

Solução: 3 - E(X) pode ser interpretado como o


ponto de equilíbrio da distribuição, em
E(X) = 0*1/2 + 1*1/3 + 2*1/6 = 2/3.
que as probabilidades são os pesos.

Exemplo 3.6 - Calcule E(X),


Fórmula do valor esperado sendo X a v.a. definida no exemplo 3.4.
para o caso contínuo:
f(x)
2
3
E(X) = ∫ x x 2 dx =
E(X) = ∫ x f ( x )dx. 0 8
2
32 3 3 x4 3
∫ x dx = = .
80 8 4 0 2

• Mediana de uma V.A.


Variância de uma V.A.
É o valor que divide a distribuição em 2
intervalos com probabilidades iguais (0,5).
A variância de uma v.a. X é o
No caso contínuo, divide f(x) em 2 áreas iguais. valor esperado de [X-E(X)]2.

• Moda de uma V.A. Exemplo 3.7 - Calcule V(X),


sendo X a v.a. definida no exemplo 3.5.
No caso discreto, é o valor que ocorre com
maior probabilidade. No caso contínuo, é o R : V (X ) = ∑ [ x − E(X )]2 P(X = x ) = 5 / 9.
valor x que faz com que f(x) seja máxima. x
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

A variância pode ser


Exemplo 3.7 (cont.) - Recalcule V(X),
calculada da seguinte forma equivalente:
usando a forma equivalente do slide anterior.

V(X) = E(X2) - E2(X)


Solução:
Sendo:
E (X ) = ∑ x P(X = x ), no caso discreto
2 2
E(X2) = 02*1/2 + 12*1/3 + 22*1/6 = 1.
x

e
V(X) = E(X2) - E2(X) = 1-(2/3)2 = 1 - 4/9 = 5/9.
E (X 2 ) = ∫ x 2 f(x) dx, no caso contínuo.

Exemplo 3.8 - Calcule V(X), • Desvio Padrão de uma V.A.


sendo X a v.a. definida no exemplo 3.4.
f(x) É a raiz quadrada de V(X):
2
3
E (X 2 ) = ∫ x 2 x 2 dx =
0 8 DP (X ) = V( X)
2
32 4 3 x5 12
∫ x dx = = . • Coeficiente de Variação de uma V.A.
80 8 5 0 5
2
12  3  3 CV( X) =
DP(X)
V(X) = E(X 2 ) − E 2 (X) = −  = . .
5 2 20 E(X)

• Algumas Propriedades do Exemplo 3.9 - Seja um produto importado


Valor Esperado e da Variância cujo preço, em dólares, apresenta, ao longo
de um período, média 80 e desvio padrão 8.
(1) Se b é uma constante:
E(b) = b e V(b) = 0. a) Se a taxa de câmbio for 2 R$/Dólar,
calcule o valor esperado, a variância,
(2) Se a é uma constante: o desvio padrão e o CV do preço em R$.
E(aX) = aE(X) e V(aX) = a2V(X).
b) Se o preço do produto aumenta 10 dólares,
(3) Se a e b são constantes: calcule a média, a variância, o desvio padrão
E(aX+b) = aE(X) + b e V(aX+b) = a2V(X). e o CV do preço (em dólares), após o aumento.
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

Solução do item a: Solução do item b:

a) Seja X o preço do produto em dólares.


Então: E(X) = 80, DP(X) = 8 e V(X) = 64. b) Seja Z o preço em dólares após o
aumento. Então: Z = X + 10.
Seja Y o preço do produto em R$.
Logo, E(Z) = E(X) + 10 = 90 dólares,
Então: Y = 2X. Logo, E(Y) = 2E(X) = V(Z) = V(X) = 64 dólares2, DP(Z) =
R$ 160, V(Y) = 22V(X) = 4*64 = 256 R$2, 8 dólares e CV(Z) = 8/90 = 8,88%.
DP(Y) = R$ 16 e CV(Y) = 16/160 = 0,1 = 10%.

Função de Distribuição Solução:


Acumulada (F.D.A.)
Para x < 0, F(x) = 0.
Para 0 ≤ x < 1, F(x) = 1/2.
Função F(x) que associa, a cada valor
∈ℜ , a probabilidade de que X seja
x∈ℜ Para 1 ≤ x < 2, F(x) = 1/2 + 1/3 = 5/6.
≤x).
menor ou igual a x, isto é: P(X≤ Para x ≥ 2, F(x) = 1/2 + 1/3 + 1/6 = 1.

Exemplo 3.10 - Ache a f.d.a. da distribuição: Note que F(x) é contínua à direita.
P(X=0) = 1/2; P(X=1) = 1/3; P(X=2) = 1/6. Sempre será assim, no caso discreto.

Exemplo 3.11 - Considere a distribuição de No caso contínuo, é possível, a partir


probabilidade: f(x) = 2x, 0<x<1. Ache F(x). da f.d.a., obter a função de densidade
original, derivando F(x) com respeito a x:
Solução:
Para x < 0, F(x) = 0. dF( x )
Para 0 ≤ x < 1: f (x) =
x x
dx
F( x ) = P( X ≤ x ) = ∫ f ( x )dx = ∫ 2 xdx = x 2 .
0 0
Tanto no caso contínuo quanto no discreto,
Para x ≥ 1, F(x) = 1. F(x) é uma função não decrescente de x,
que satisfaz: Lim F( x ) = 0 e Lim F( x ) = 1.
Note que, no caso contínuo, F(x) é contínua. x → −∞ x →∞
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

• Distribuição Normal • Cálculo de Probabilidades Normais

Exemplo 3.12 - Considere que as alturas


( x −µ ) 2
1 − dos alunos desta turma sigam
f (x) = e 2 σ2
; x ∈ ℜ; µ ∈ ℜ, σ2 > 0.
σ 2π distribuição Normal, com média igual
a 170 cm e desvio padrão igual a 5 cm.

Parâmetros: µ (=E(X)) e σ2 (=V(X)). Seja o experimento que consiste na


seleção de um aluno qualquer e na
segue distribuição
medição de sua altura.
Notação: X ~ N(µ,σ2).

Para calcular a probabilidade


A v.a. que representa o resultado solicitada, usaremos a tabela Normal.
deste experimento é X ~ N(170,25).
A tabela Normal fornece probabilidades
associadas a uma v.a. padronizada:
Qual a probabilidade de que a altura
do aluno esteja entre 170 e 172,3 cm? µ)/σ
Z = (X-µ σ,

que possui média zero e variância 1.

Tabela Normal:
P(170 < X < 172,3) =
 170 − µ X − µ 172,3 − µ 
P < < =
 σ σ σ 
 170 − 170 172,3 − 170 
P <Z< =
 5 5 
= P(0 < Z < 0,46).

P(0 < Z < 0,46) é encontrada na tabela.


Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

Resposta final do item a): Neste caso:

A probabilidade de que a altura de um aluno P(170 < X < 175) =


selecionado ao acaso esteja entre 170 e  170 − µ X − µ 175 − µ 
172,3 cm é 0,17724. P < < =
 σ σ σ 
 170 − 170 175 − 170 
P <Z< =
b) Qual a probabilidade de que a altura  5 5 
do aluno esteja entre 170 e 175 cm? = P(0 < Z < 1).

Ilustrando na Tabela Normal: Resposta final do item b): 0,34134.

c) Qual a probabilidade de que a altura


do aluno esteja entre 165 e 170 cm?

Solução:

Pela simetria da Normal, temos:


P(-1 < Z < 0) = P(0 < Z < 1) = 0,34134.

Ilustração da Simetria da Normal:


d) Qual a probabilidade de que a altura
do aluno esteja entre 165 e 175 cm?

P(-1 < Z < 0) P(0 < Z < 1)


Solução: do slide anterior,
P(-1 < Z < 1) = 0,68268.
P(-1 < Z < 1)

Esta é a probabilidade de X estar a no máximo


1 desvio padrão de distância da sua média.
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

Revisitando a figura do módulo 1:


e) Qual a probabilidade de que a altura
do aluno esteja entre 170 e 180 cm?
99,72%

Solução: P(170 < X < 180) =


Considerando µ= P(0 < Z < 2) = 0,47725.
E(X) e σ = DP(X).

f) E entre 160 e 180 cm?

Solução: P(160 < X < 180) =


P(-2 < Z < 2) = 2*0,47725 = 0,9545.

g) Qual a probabilidade de que a altura do i) E menor do que 175 cm?


P(Z < 0)
aluno seja maior do que 170 cm?
Solução: P(X > 170) = P(Z > 0). Solução: P(X < 175) = P(Z < 1) = 0,5 +
A área total sob a curva é igual a 1. P(0 < Z < 1) = 0,5 + 0,34134 = 0,84134.
Logo, a resposta é 0,5.
j) E menor do que 165 cm?
h) E maior do que 175 cm? P(Z > 0)
Solução: P(X < 165) =
Solução: P(X > 175) = P(Z > 1) = 0,5 -
P(Z < -1) = P(Z > 1) = 0,15866.
P(0 < Z < 1) = 0,5 - 0,34134 = 0,15866.

• Covariância e Correlação entre 2 V.A.`s Observação Importante:

A covariância entre duas variáveis Se Cov(X,Y) = 0:


aleatórias X e Y é definida como:
E(XY) –E(X)E(Y) =0
Cov(X, Y) = E[(X − E(X))(Y − E(Y))]
E(XY) = E(X)E(Y).
= E(XY) − E(X)E(Y).
E o coeficiente de correlação é: Assim, esta igualdade só vale se X e Y são
descorrelacionadas. Por exemplo, se for dito
Cov (X, Y )
ρ XY = . no problema que X e Y são independentes, a
V(X) V(Y) igualdade acima é válida, mas a volta não vale!
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

O único caso em que covariância/correlação Propriedades da Covariância


zero entre 2 v.a.`s implica em independência é (a, b, c e d constantes)
o caso em que X e Y possuem distribuição
Normal bivariada, como no gráfico a seguir. P.1) Cov(X,X) = V(X).
f(x,y) P.2) Cov(aX+b,cY+d) = acCov(X,Y).
(casos particulares: 2.1) a = 1 e b = 0
2.2) a = 1 e b = c = 0 e 2.3) b = d = 0.
y
x P.3) Distributiva (pode ser usada para
obter a P.2, a partir dos casos particulares)

• Combinações Lineares de V.A.`s Valor esperado e variância para n = 2


(ou seja, para C = aX+bY):
Uma combinação linear de v.a.`s é uma
Valor Esperado:
nova v.a. C definida da seguinte forma:
E(C) = aE(X) + bE(Y).
n
C = ∑ a iXi .
i =1 Variância (supondo ρXY = 0):

pesos da combinação linear.


V (C) = a 2 V ( X ) + b 2 V (Y ).

Exemplo 3.13 - O lucro diário L de uma


corretora (em milhões de R$) é L = 2L1+3L2,
E se X e Y forem correlacionadas?
em que L1, o lucro da área industrial, é
uma v.a. com média 5 e variância 16, e
L2, o lucro da área comercial, é outra v.a.
Neste caso, a fórmula passa a ser:
com média e variância iguais a 4. L1 e L2
são independentes. O valor esperado, a
variância e o desvio padrão de L são:
V(C) = a 2 V( X) + b 2 V( Y) + 2abCov( X, Y).
E(L) = 2E(L1) + 3E(L2) = 22 milhões de R$.
V(L) = (2)2V(L1) + (3)2V(L2) = 4*16 + 9*4 =
64 + 36 = 100 ⇒ DP(L) = 10 milhões de R$.
Curso DSc Concurso: EPE – Analista de Pesquisa Energética
Disciplina: Métodos Quantitativos Professor: Eduardo Campos

• Soma de V.A.`s
Valor Esperado da Soma de n V.A.`s:
Exemplo 3.14 - Um elevador suporta n
um peso de 500Kg. Podemos estar E (S) = ∑ E (X i ).
interessados na probabilidade do peso i =1

limite ser ultrapassado quando 7 pessoas


estão simultaneamente no elevador. Variância da Soma de n
V.A.`s Descorrelacionadas:
Neste caso, a v.a. de interesse é:
7 n
peso da
S = ∑ Xi , i-ésima pessoa. V(S) = ∑ V(Xi ).
i =1 i =1
e a probabilidade de interesse é: P(S>500).

• Soma de Normais Independentes • Média de Normais Independentes

Considere a soma S de n v.a.`s Xi, i = Considere a média X de n v.a.`s Xi,


1,2,...,n, Normais e independentes, i = 1,2,...,n, independentes e Normais,
c/ médias µ e variâncias σ2. Então: c/ médias µ e variâncias σ2. Então:

S ~ N(nµ, nσ 2 ). σ2
X ~ N(µ, ).
n
Embora a soma de v.a.`s tenha sua utilidade
prática, é a média de v.a.`s que será realmente A seguir são apresentadas as demonstrações
importante em estimação e testes de hipóteses. do valor esperado e da variância de X.

Valor esperado: Variância:

1 n 1 n 1n 1 n

E(X) = E( ∑ Xi ) = E(∑ Xi ) = V(X) = V( ∑Xi ) =   V(∑ Xi ) =


n i=1 n i=1 n i=1  n  i=1
1 2 σ2
2
1

n 1
E(Xi ) = nµ = µ. 1 n
 ∑ V(X ) = nσ = .
n i=1 n  n  i=1
i
n2 n
considerando que as v.a.`s
são independentes.