Universidade de Pernambuco

Escola Politécnica de Pernambuco

Teoria da Informação
Revisão –Variáveis
Variáveis Aleatórias
Prof. Márcio Lima
E-mail
mail:marcio.lima@upe.poli.br
:marcio.lima@upe.poli.br

08.09.2009
Revisão – Variáveis Aleatórias
Variáveis Aleatórias
É a habitual imaginar o resultado de um experimento como um variável que
pode vagar pelo conjunto de pontos amostrais e cujo é determinado pelo
experimento.
experimento

RX
Definição: S
Função cujo o domínio é um ESPAÇO
AMOSTRAL e cuja a imagem é
algumm conjunto de Números reais.

Exemplo
p 1. Três mordas são lançadas
ç e observa-se o número de CARAS q
que
ocorrem:
S = {CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK }
R X = {0 ,1, 2 ,3}

Teoria da Informação – Prof. Márcio Lima 2

Revisão – Variáveis Aleatórias
Variáveis Aleatórias

Notação:
S : espaço amostral (conjudo, evento,... );
s : elemento do espaço amostral (evento);
X, Y,
X Y Z : Variável
V á l Aleatória
Al ó (VA ) ;
x , y , z : valores assumidos pelas Variáveis Aleatórias
s ∈ S ⇒ X (s ) = x
RX
S

Teoria da Informação – Prof. Márcio Lima 3

Revisão – Variáveis Aleatórias
Variáveis Aleatórias
Variávies Aleatórias Discretas: Quando os valores assumidos pela V.A. são
finitos ou contavelmente infinito (Infinito numerável). Isto é, a V.A. assume
apenas um conjunto de valores discretos.
discretos
⎧ p (x i ) ≥ 0 , ∀ i
R X = {x1 , x 2 , L , x n , L} ⎪ ∞
⎨ p (x i ) = 1
P ( X = xi ) = p (xi ) ⎪⎩ ∑
i =1

Distribuição de probabilidade (Função de Probabilidade)

Variávies Aleatórias Contínuas: Quando o conjunto RX assume valores não

numeráveis. Isto é,a V.A. pode assumir qualquer valor em um intervalo de
observação inteira.

Ex: Amplitude de uma tensão de ruído em um instante de tempo em

particular.

Teoria da Informação – Prof. Márcio Lima 4

Revisão – Variáveis Aleatórias
Descrição Probabilística de Variáveis Aleatórias
Função de Distribuição Cumulativa (CDF): X, V.A. P(X ≤ x)

FX ( x ) = P ( X ≤ x )

Para qualquer ponto de x, FX(x) expressa uma probabilidade (P(X ≤ x)).

Propriedades de FX(x):

1 . 0 ≤ FX ( x ) ≤ 1
2 . Função não decrescent e : FX ( x1 ) ≤ FX ( x 2 ), x1 ≤ x 2

Teoria da Informação – Prof. Márcio Lima 5

Revisão – Variáveis Aleatórias
Descrição Probabilística de Variáveis Aleatórias
Função de Densidade de Probabilidade (pdf):
d
dx
Descrição alternativa da probabilidade da V.A. X (contínua)

f X (x ) = FX ( x )
d
dx
∫ dx
Seja o evento B ≡ x1 ≤ X ≤ x 2
x2

P (B ) = P ( x1 ≤ X ≤ x 2 ) = P ( X ≤ x 2 ) − P ( X ≤ x1 ) = FX ( x 2 ) − FX ( x1 ) = ∫ f (x )dx
X
x1

Propriedades de FX(x): f X (x )

1 . f X (x ) ≥ 0
+∞ P (B )
2 . x1 = −∞ ; x 2 = +∞
+ ⇒ ∫ f (x )dx
−∞
X d = 1 (P (S ))
x

Teoria da Informação – Prof. Márcio Lima 6

Revisão – Variáveis Aleatórias
Estatística de uma V.A.
Valor Esperado: Suponha uma V.A. tal que R X = {x1 , x 2 , L , x n } com distri-
buição de probabilidade
{p (x1 ), p (x 2 ), L , p (x n )},
então
n
E (X ) = ∑ x p (x ),
i i
i =1
É denominado Valor Esperado
p ou média da V.A. X.

OBS: O valor esperado não representa o resultado mais provável de ocorrer e

sim a média dos resultados.

Realize um experimento várias vezes, registre os diversos valores que a V.A.

assumir e calcule a média desses valores. Esse será o valor médio.

Teoria da Informação – Prof. Márcio Lima 7

Revisão – Variáveis Aleatórias
Estatística de uma V.A.
Exemplo: Um dado equilibrado é lançado. X representa o resultado obtido

R X = {1, 2 ,3, 4 ,5,6}.

Qual será o valor esperado de X?
n
E (X ) = ∑ x p (x )
i i
i =1

= x1 p ( x1 ) + x 2 p ( x 2 ) + L + x 6 p ( x 6 )
1 1 1 1
= 1⋅ + 2 ⋅ + L + 6 ⋅ = (1 + 2 + L + 6 )
6 6 6 6
21 7 Não é nem um resultado possível, quanto mais ser o
= = resultado provável!!!!!
6 2
+∞
+
No caso contínuo: E (X ) = ∫ x ⋅ f (x )dx
X
−∞ Teoria da Informação – Prof. Márcio Lima 8
Revisão – Variáveis Aleatórias
Estatística de uma V.A.
Propriedades:

1 . X = C ((constante )
E (X ) = C
2 . E (C ⋅ X ) = C ⋅ E (X )
3 . E (X + Y ) = E (X ) + E (Y )
4 . E (X ⋅ Y ) = E (X ) ⋅ E (Y ), se X e Y são independen tes.

Teoria da Informação – Prof. Márcio Lima 9

Revisão – Variáveis Aleatórias
Estatística de uma V.A.
Momento central de 2ª. Ordem.
Variância:

[
Var ( X ) = V ( X ) = σ X2 = E ( X − E ( X ))
2
]
Expressa o quanto os valores da distribuição se afastam da média.

Expressão mais simples e direta:

( )− E (X )
Var ( X ) = E X 2 2

OBS: Desvio Padrão: σ X

Propriedades:
1 . Var ( X + C ) = Var ( X ), se C = constante .
2 . Var (C ⋅ X ) = C 2 ⋅ Var ( X )
Teoria da Informação – Prof. Márcio Lima 10
Revisão – Variáveis Aleatórias
Estatística de uma V.A.
Exemplo: A meteorologia atribui graus de nebulosidade ao céu em uma escala
com 11 níveis, variando de 0 (céu claro) à 10 (céu completamente nublado).

X assume os valores R X = {0 ,1, 2 , L ,10 }

Seja a distribuição de probabilidade da V.A. X:
p 0 = p10 = 0 ,15
p1 = p 2 = p 8 = p 9 = 0 ,15
p 3 = p 4 = p 5 = p 6 = p 7 = 0 , 06
Calcule a variância e o desvio padrão.

E ( X ) = 0 , 05 (0 + 10 ) + 0 ,15 (1 + 2 + 8 + 9 ) + 0 ,06 (3 + 4 + 5 + 6 + 7 ) = 5

Teoria da Informação – Prof. Márcio Lima 11

Revisão – Variáveis Aleatórias
Estatística de uma V.A.
Exemplo: p 0 = p10 = 0 ,15
p1 = p 2 = p 8 = p 9 = 0 ,15
p 3 = p 4 = p 5 = p 6 = p 7 = 0 , 06

( ) = ∑ x p (x ) = 0,05 (0 + 100 ) + 0,15 (1 + 4 + 64 + 81 )

10
2 2
E X i i
i=0

+ 0 , 06 (9 + 16 + 25 + 36 + 49 ) = 35 ,6 .
Logo:

σ X2 = E (X 2 ) − E ( X )2 = 35 2 ⇒ σ X2 = 10 , 6
3 ,6 − 25
⇒ σ X = 3, 25

Teoria da Informação – Prof. Márcio Lima 12

Revisão – Variáveis Aleatórias
Estatística de uma V.A.
Exemplo: Seja X, uma V.A. uniforme no intervalo [a, b]. Calcule o valor
esperado e a variância de X (V.A. contínua).

⎧ 1
⎪ ,a ≤ x≤b
f X ( x ) = ⎨ (b − a )
⎪⎩ 0 , c.c.

a+b
E (X ) =
2

1
σ X2 = (b − a )2
12

Teoria da Informação – Prof. Márcio Lima 13