2 Revisao Variaveis Aleatorias

Inferência Estatística I
Variáveis Aleatórias; Valores característicos de uma variável

aleatória.
José Clelto Barros Gomes

clelto@ufam.edu.br
José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 1 / 56

Conteúdo
1 Variável Aleatória
2 Variável Aleatória Discreta
Função de Probabilidade
Função de Distribuição Acumulada
3 Variável Aleatória Contínua
Função de Densidade de Probabilidade
4 Esperança Matemática
5 Variância e Desvio Padrão
6 Variáveis Aleatórias Bidimensionais
7 Variáveis Aleatórias Independentes
8 Referências

Variável Aleatória
Conteúdo
8 Referências

Nas aplicações é conveniente trabalhar com números e não com
eventos.
Tendo em vista que muitos experimentos produzem resultados
não-numéricos, antes de analisá-los é necessário transformar
seus resultados em números, o que é feito através da variável
aleatória.
Definição
Uma variável aleatória é uma função de valor real dos elementos de
um espaço amostral.
Em geral, queremos associar um número real x a cada resultado

ω do espaço amostral Ω. Uma notação funcional será usada
inicialmente, de modo que x = X(ω), onde X é a função.
O domínio de X é Ω, e os números na imagem são números
reais.
A Figura 1 ilustra a natureza de tal função.
Figura 1: O conceito de variável aleatória.
As variáveis aleatórias podem ser discretas ou contínuas.

Variável Aleatória Discreta
Conteúdo
8 Referências

Uma variável aleatória será discreta quando o número de valores

possíveis de seu contradomínio Rx for finito ou infinito enumerável.
Exemplo 1
Suponha que o número de dias de trabalho em um determinado ano
tenha sido de 250 e que os registros de empregados tenham sido
marcados com relação à frequência ao trabalho. Um experimento
consiste em selecionar um registro e observar o número de dias
marcados com ausência. A variável aleatória X é definida como esse
número de dias com falta, de modo que Rx = {0, 1, 2, ..., 250}.

Exemplo 2
Lançam-se 3 moedas. Seja X o número de ocorrências de face cara.
Ω = {(ccc), (ccr), (crc), (crr), (rcc), (rcr), (rrc), (rrr)}

X = {0, 1, 2, 3}
Associamos os números aos eventos
0 = nenhuma, 1= uma, 2= duas, 3=três
X Evento correspondente
0 A1 = {(rrr)}
1 A2 = {(crr), (rcr), (rrc)}
2 A3 = {(ccr), (crc), (rcc)}
3 A4 = {(ccc)}
Podemos também associar, às probabilidades de X assumir um dos

valores, às probabilidades dos eventos correspondentes

P (X = 0) = P (A1 ) = 1/8
P (X = 1) = P (A2 ) = 3/8
P (X = 2) = P (A3 ) = 3/8
P (X = 3) = P (A4 ) = 1/8.

Variável Aleatória Discreta Função de Probabilidade
A função de probabilidade para uma variável aleatória discreta X dá a
probabilidade de ocorrência dos elementos de X. É representada por
PX (x) = P (X = x), x ∈ Rx .
É importante verificar que para que haja uma distribuição de

probabilidade
P de uma variável aleatória X é necessário que
PX (x) = 1.
Exemplo 3
No lançamento de duas moedas, seja a variável aleatória X o número
de caras obtidas.
A função de probabilidade para este experimento será
x 0 1 2
P (x) 1/4 2/4 1/4

Exemplo 4
Lançam-se 2 dados. Seja X a soma das faces. Determinar a
distribuição de probabilidade de X.
Ω = Ω1 × Ω1 Ω1 = {1, 2, 3, 4, 5, 6}
x = x1 + x2 , (x1 , x2 ) ∈ Ω
Rx = {2, 3, 4, , 5, . . . , 12}
x 2 3 4 5 6 7 8 9 10 11 12
PX (x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
P
PX (x) = 1.

Exemplo 4. continuação
Figura 2: Função de probabilidade

Variável Aleatória Discreta Função de Distribuição Acumulada
A função distribuição acumulada (fda) é usada para calcular a

probabilidade de que uma variável aleatória X assuma um valor
menor ou igual a x.
Definição
A função de distribuição acumulada de X é dada por
X
FX (x) = P (X ≤ x) = PX (xi )
xi ≤x

Exemplo 5
Suponhamos que uma variável aleatória discreta X tenha a
distribuição de probabilidade
x 1 2 3 4 5
P (X = x) 0,1 0,2 0,4 0,2 0,1
Ache a função de distribuição de X.

Exemplo 5. continuação
F (1) = P (X ≤ 1) = P (X = 1) = 0, 1
F (2) = P (X ≤ 2) = P (X ≤ 1) + P (X = 2) = 0, 3
F (3) = P (X ≤ 3) = P (X ≤ 2) + P (X = 3) = 0, 7
F (4) = P (X ≤ 4) = P (X ≤ 3) + P (X = 4) = 0, 9
F (5) = P (X ≤ 5) = P (X ≤ 4) + P (X = 5) = 1.


 0 se x < 1



 0, 1 se 1 ≤ x < 2
0, 3 se 2 ≤ x < 3

F (x) =

 0, 7 se 3 ≤ x < 4
0, 9 se 4 ≤ x < 5




se x ≥ 5

1
(Fazer gráfico)

Exemplo 6
A função de distribuição para a variável aleatória Y é dada por


 0 se y < −2



 1/3 se − 2 ≤ y < 1
7/12 se 1 ≤ y < 5

F (y) =

 47/60 se 5 ≤ y < 11
57/60 se 11 ≤ y < 20




se x ≥ 20

1
Ache PY (y), a função de probabilidade de Y .
Resposta.
P (Y = −2) = 1/3; P (Y = 1) = 7/12 − 1/3 = 1/4;
P (Y = 5) = 47/60 − 7/12 = 1/5; P (Y = 11) = 57/60 − 47/60 = 1/6;
P (Y = 20) = 1 − 57/60 = 1/20
y -2 1 5 11 20
P (Y = y) 1/3 1/4 1/5 1/6 1/20
Exemplo 7
Dada F (y), especifique a função de probabilidade para Y . Utilize para
calcular P (Y ≤ 100).


 0 se y < 0



 1/4 se 0 ≤ y < 5
1/3 se 5 ≤ y < 7

F (y) =

 1/2 se 7 ≤ y < 100
5/6 se 100 ≤ y < 102




se x ≥ 102

1
Resposta.
PY (0) = 1/4 − 0 = 1/4; PY (5) = 1/3 − 1/4 = 1/12 ;
PY (7) = 1/2 − 1/3 = 1/6; PY (100) = 5/6 − 1/2 = 1/3;
PY (102) = 1 − 5/6 = 1/6
Função de probabilidade
y 0 5 7 100 102
P (Y = y) 1/4 1/12 1/6 1/3 1/6
José≤
P (Y 100) = 5/6 Variáveis Aleatórias; Valores característicos
Clelto Semestre: 2019/2 17 / 56
Exercício 1
A variável aleatória U tem função de probabilidade PU (−3) = 1/2;
PU (0) = 1/6; PU (4) = 1/3. Qual a função de distribuição para U ?
Exercício 2
Uma urna contém quatro bolas numeradas 1, 2, 3, 4, respectivamente. Seja
Y o número que ocorre se uma bola é retirada da urna aleatoriamente. Qual
a função de probabilidade de Y ?
Exercício 3
Considere a urna definida acima. Duas bolas são retiradas da urna sem
reposição. Seja Z a soma dos dois números que ocorrem. Deduza a função
de probabilidade para Z.
Exercício 4
Assuma que agora as duas bolas são retiradas com reposição e defina Z do
mesmo modo. Deduza uma nova função de probabilidade para Z.

Variável Aleatória Contínua
Conteúdo
8 Referências

Uma variável aleatória será contínua quando o número de valores

possíveis de seu contradomínio Rx for um intervalo ou uma coleção
de intervalos.
Exemplo 8
A gerente de uma loja sabe que o tempo necessário para se
completar uma ordem é de no máximo 15 dias. A variável aleatória X
será esse tempo para a ordem ser completada, que está na faixa de
0 < x < 15 dias.

Variável Aleatória Contínua Função de Densidade de Probabilidade
A função densidade de probabilidade (fdp) para uma variável

aleatória contínua X é uma função que satisfaz as seguintes
condições:
(a) Rf (x) ≥ 0, para todo x ∈ Rx .
∞
(b) −∞ f (x)dx = 1.
A fdp é um indicador da concentração de probabilidade nos
possíveis valores de X. Convém ressaltar que f (x) não é
probabilidade. Somente quando a função for integrada entre dois
limites é que ela produzirá uma probabilidade, assim
Z b
P (a < X < b) = f (x)dx
a
Rx
Note que P (X = x) = x f (x)dx = 0.

Variável Aleatória Contínua Função de Densidade de Probabilidade
Sendo assim, as probabilidades abaixo serão todas iguais, se X

for uma variável aleatória contínua:
P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) = P (a < X < b)

Variável Aleatória Contínua Função de Distribuição Acumulada
Função de Distribuição (Acumulada)
A função distribuição acumulada (fda) é definida por

Z x
F (x) = P (X ≤ x) = f (x)dx.
−∞
Igualmente, pode-se provar que
dF (x)
f (x) = , para todo x,
dx
quando F é derivável.

Exemplo 9
Seja X uma variável aleatória contínua com a seguinte fdp

2x, 0 < x < 1
f (x) =
0, caso contrário
Como se vê, f (x) assim definida, é realmente uma função

densidade, pois
(a) f (x) ≥ 0, para todo x ∈ Rx
R∞ R0 R1 R∞
(b) −∞ f (x) dx = −∞ 0 dx + 0 2x dx + 0 0 dx = 1
Para encontrar a função de distribuição devemos integrá-la em
todos os possíveis intervalos, assim

Rx
x < 0, F (x) = −∞ 0dx = 0
R0 Rx
0 ≤ x < 1, F (x) = −∞ 0dx + 0 2xdx = x2
R0 R1 Rx
x ≥ 1, F (x) = −∞ 0dx + 0 2xdx + 1 0dx = 1
Portanto, temos que a função de distribuição para a variável aleatória

contínua X é 
 0, x < 0
F (x) = x2 , 0 ≤ x < 1
1, x ≥ 1.


Exercício 5
A duração, em anos, de uma lâmpada especial é uma variável
aleatória contínua com densidade dada por
−2x
2e , x ≥ 0
f (x) =
0, caso contrário
(a) Obter F (x)

(b) Qual a probabilidade da lâmpada durar até 2 anos?

Esperança Matemática
Conteúdo
8 Referências

A esperança de uma variável aleatória nos dá a média de todos os

valores que poderíamos obter se medíssemos a variável aleatória um
número muito grande de vezes.
A esperança de uma variável aleatória discreta é dada por:
n
X
E(X) = xi P (X = xi ).
i=1
A esperança de uma variável aleatória contínua é dada por:

Z ∞
E(X) = xf (x)dx.
−∞

Propriedades
(i) A esperança de uma constante k é a própria constante
E(k) = k
(ii) Multiplicando uma variável aleatória X por uma constante K, sua
esperança fica multiplicada por essa constante.
E(kX) = kE(X)
(iii) A esperança da soma é a soma das esperanças
E(X ± Y ) = E(X) ± E(Y )
(iv) A esperança de soma de variáveis aleatórias é a soma das
esperanças
n n
!
X X
E Xi = E(Xi )
i=1 i=1
(v) E(aX ± b) = aE(X) ± b, a e b constantes.
(vi) E(X − E(X)) = 0.
Exemplo 10
Seja X uma variável aleatória discreta com a seguinte função de
probabilidade
x 2 3 4 5
P (X = x) 1/6 2/6 2/6 1/6
A esperança de X é
E(X) = 2 × 61 + 3 × 26 + 4 × 2
6 +5× 1
6 = 3, 5.
Exemplo 11
Seja X uma variável aleatória contínua com a seguinte função
densidade de probabilidade
3x2 ,

0<x<1
f (x) =
0, caso contrário
A esperança de X é
R∞ R1 4 1
E(X) = −∞ xf (x)dx = 0 x3x2 dx = 3 x4 0 = 0, 75

Variância e Desvio Padrão
Conteúdo
8 Referências

Variância
A variância dá o grau de dispersão de probabilidade em torno da
média.
Define-se variância de uma variável aleatória como sendo:
V ar(X) = E{[X − E(X)]2 }. (1)
Resolvendo para o Caso discreto:

n
X
V ar(X) = [xi − E(X)]2 P (X = xi ).
i=1
Resolvendo para o Caso contínuo:

Z ∞
V ar(X) = [x − E(X)]2 f (x)dx.
−∞
Notação: V (X), σ 2 (X), 2 ,

σX σ2.
Desenvolvendo a Equação (1), encontramos uma fórmula mais prática

para o cálculo da variância, dada por
V ar(X) = E(X 2 ) − [E(X)]2 ,
em que
para variável aleatória discreta
n
X n
X
E(X) = xi P (X = xi ) e E(X 2 ) = x2i P (X = xi ).
i=1 i=1
para variável aleatória contínua

Z ∞ Z ∞
2
E(X) = xf (x)dx e E(X ) = x2 f (x)dx.
−∞ −∞

Propriedades
(i) A variância de uma constante é zero,
V ar(k) = 0.
(ii) Multiplicando uma variável aleatória X por uma constante k, sua

variância fica multiplicada pelo quadrado da constante,
V ar(kX) = k 2 V ar(X).
Desvio padrão
O desvio padrão de uma variável X é dado por
p
dp(X) = V ar(X).

Exemplo 12
Caso discreto. De exemplo anterior, temos que E(X) = 3, 5. Para
calcular a variância de X basta calcular E(X 2 ) e substituir na fórmula
alternativa juntamente com E(X),
V ar(X) = E(X) − [E(X)]2
1 2 2 1
E(X 2 ) = 22 × 6 + 32 × 6 + 42 × 6 + 52 × 6 = 13, 17
Assim, V ar(X) = 13, 17 − 3, 52 = 0, 92
E o desvio padrão é dado por
p
dp(X) = 0, 92 = 0, 9592

Exemplo 13
Caso contínuo. De exemplo anterior, temos que E(X) = 0, 75. Para
calcular a variância de X basta calcular E(X 2 ) e substituir na fórmula
alternativa juntamente com E(X),
V ar(X) = E(X) − [E(X)]2
1
2
R∞ 2 R1 2 2 x5

E(X ) = −∞ x f (x)dx = 0 x 3x dx = 3 5 = 3/5
0
Assim, V ar(X) = 3/5 − 0, 752 = 0, 0375
E o desvio padrão é dado por
p
dp(X) = 0, 0375 = 0, 1936.

Variáveis Aleatórias Bidimensionais
Conteúdo
8 Referências

Quando queremos estudar mais de um resultado de um

experimento aleatório.
Considere X: salário (reais) e Y : tempo de serviço (anos)
Operário A B C D E F G H I J
X 500 600 600 800 800 800 700 700 700 600
Y 6 5 6 4 6 6 5 6 6 5
A partir do experimento podemos calcular, por exemplo, as seguintes

probabilidades
P (X = 500, Y = 4) = 0
e
2
P (X = 600, Y = 5) = .
10

Função de probabilidade conjunta

A função de probabilidade conjunta associa a cada par
(xi , yi ), i = 1, 2, . . . , m e j = 1, 2, . . . , n a probabilidade
P (X = xi , Y = yj ) = p(xi , yj ).
Pm Pn
Note que i=1 j=1 P (X = xi , Y = yj ) = 1.
Exemplo 14
Tabela 1: Função de probabilidade conjunta

HH Y
4 5 6 Total
X
H
HH
500 0 0 1/10 1/10
600 0 2/10 1/10 3/10
700 0 1/10 2/10 3/10
800 1/10 0 2/10 3/10
Total 1/10 3/10 6/10 1
Probabilidade Marginal de X
n
X
P (X = xi ) = P (X = xi , Y = yj ), i = 1, 2, . . . , m.
j=1
Pm Pm Pn
Note que i=1 P (X = xi ) = i=1 j=1 p(xi , yj ) = 1.
Exemplo 15
Probabilidade marginal de X = 600
P (X = 600) = P (X = 600, Y = 4) + P (X = 600, Y = 5)+
+P (X = 600, Y = 6)
2 1 3
= 0 + 10 + 10 = 10 .

Probabilidade Marginal de Y
m
X
P (Y = yj ) = P (X = xi , Y = yj ), j = 1, 2, . . . , n.
i=1
Pm Pn Pm
Note que i=1 P (X = xi ) = j=1 i=1 p(xi , yj ) = 1.
Exemplo 16
Probabilidade marginal de Y = 6
P (Y = 6) = P (X = 500, Y = 6) + P (X = 600, Y = 6)+
+P (X = 700, Y = 6) + P (X = 800, Y = 6)
2 1 3
= 0 + 10 + 10 = 10 .

Como calcular E(X) : salário médio e E(Y ) : tempo

médio de serviço? E as variâncias? e os desvios
padrão?
Do mesmo modo visto anteriormente, basta obter a distribuição
marginal de X e de Y .
Tabela 2: Distribuição marginal de X

xi 500 600 700 800
P (X = xi ) 1/10 3/10 3/10 3/10
Deste modo, a esperança de X é dada por

m
X
E(X) = xi P (X = xi )
i=1
1 3 3 3
E(X) = 500 × 10 + 600 × 10 + 700 × 10 + 800 × 10 = 680.
continuação ...
A variância de X é dada por
V ar(X) = E(X 2 ) − [E(X)]2
em que E(X) = 680, calculada anteriormente, e

m
X
E(X 2 ) = x2i P (X = xi )
i=1
1 3 3 3
E(X 2 ) = 5002 × 10 + 6002 × 10 + 7002 × 10 + 8002 × 10 = 472000
Assim,
V ar(X) = 472000 − 6802 = 472000 − 462400 = 9600

p √
O Desvio padrão é dado por dp(X) = V ar(X) = 9600 = 97, 98.
continuação ...
Para a variável Y , temos
Tabela 3: Distribuição marginal de Y

yj 4 5 6
P (Y = yj ) 1/10 3/10 6/10
Deste modo, a esperança de X é dada por

n
X
E(Y ) = yj P (Y = yj )
j=1
1 3 6
E(Y ) = 4 × 10 +5× 10 +6× 10 = 5, 5.

continuação ...
A variância de Y é dada por
V ar(Y ) = E(Y 2 ) − [E(Y )]2
em que E(Y ) = 5, 5, calculada anteriormente, e

n
X
2
E(Y ) = yj2 P (Y = yj )
j=1
1 3 6
E(Y 2 ) = 42 × 10 + 52 × 10 + 62 × 10 = 30, 7
Assim,
V ar(Y ) = 30, 7 − 5, 52 = 30.7 − 30, 25 = 0, 45.
p √
O Desvio padrão é dado por dp(Y ) = V ar(Y ) = 0, 45 = 0, 67.

Distribuições Condicionais
Interesse: obter o salário médio dos operários com 5 anos de serviço,

por exemplo
E(X|Y = 5).
Distribuição Condicional de X|Y
P (X = xi , Y = yj )
P (X = xi |Y = yj ) = , j fixo e i = 1, 2, . . . , m
P (Y = yj )
e P (Y = yj ) 6= 0.

Distribuição Condicional de Y |X
P (X = xi , Y = yj )
P (Y = yj |X = xi ) = , i fixo e j = 1, 2, . . . , n
P (X = xi )
e P (X = xi ) 6= 0.

Esperança condicional
Esperança Condicional de X|Y
m m
X X p(xi , yj )
E(X|Y = yj ) = xi p(xi |yj ) = xi , j = 1, 2, . . . , n
p(yj )
i=1 i=1
e p(yj ) 6= 0.
Esperança Condicional de Y |X
n n
X X p(xi , yj )
E(Y |X = xi ) = yj p(yj |xi ) = yj , i = 1, 2, . . . , m
p(xi )
j=1 j=1
e p(xi ) 6= 0.

Variância Condicional
Variância Condicional de X|Y
m m
X X p(xi , yj )
V ar(X|Y = yj ) = (xi − µX|Y )2 p(xi |yj ) = (xi − µX|Y )2 ,
p(yj )
i=1 i=1
j = 1, 2, . . . , n, p(yj ) 6= 0 e µX|Y = E(X|Y = yj )
ou alternativamente,
V ar(X|Y = yj ) = E(X 2 |Y = yj ) − [E(X|Y = yj )]2
em que E(X 2 |Y = yj ) = m 2
P
i=1 xi p(xi |yj ), j = 1, 2, . . . , n

continuação ...
Variância Condicional de Y |X
n n
X
2
X p(xi , yj )
V ar(Y |X = xi ) = (yi − µY |X ) p(yj |xi ) = (yj − µY |X )2 ,
p(xi )
j=1 j=1
i = 1, 2, . . . , m, p(xi ) 6= 0 e µY |X = E(Y |X = xi )
ou alternativamente,
V ar(Y |X = xi ) = E(Y 2 |X = xi ) − [E(Y |X = xi )]2
em que E(Y 2 |X = xi ) = nj=1 yj2 p(yj |xi ), i = 1, 2, . . . , m

P

Desvio padrão condicional
Desvio padrão Condicional de X|Y

q
dp(X|Y = yj ) = V ar(X|Y = yj ),
j = 1, 2, . . . , n,
Desvio padrão Condicional de Y |X

p
dp(Y |X = xi ) = V ar(Y |X = xi ),
i = 1, 2, . . . , m,

Variáveis Aleatórias Independentes
Conteúdo
8 Referências


Covariância e Coeficiente de Correlação

Referências
Conteúdo
8 Referências

Referências
Referências
MORETTIN, Luiz Gonzaga. (2010). Estatística básica:

probabilidade e inferência. Volume único. São Paulo: Pearson.

2 Revisao Variaveis Aleatorias

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

2 Revisao Variaveis Aleatorias

Caricato da

Copyright:

Formati disponibili

Inferência Estatística I

Variáveis Aleatórias; Valores característicos de uma variável

José Clelto Barros Gomes

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 1 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 2 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 3 / 56

Em geral, queremos associar um número real x a cada resultado

A Figura 1 ilustra a natureza de tal função.

Figura 1: O conceito de variável aleatória.

As variáveis aleatórias podem ser discretas ou contínuas.

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 5 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 6 / 56

Variável Aleatória Discreta

Uma variável aleatória será discreta quando o número de valores

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 7 / 56

Ω = {(ccc), (ccr), (crc), (crr), (rcc), (rcr), (rrc), (rrr)}

Podemos também associar, às probabilidades de X assumir um dos

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 8 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 9 / 56

É importante verificar que para que haja uma distribuição de

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 10 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 11 / 56

Figura 2: Função de probabilidade

Função de Distribuição Acumulada

A função distribuição acumulada (fda) é usada para calcular a

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 13 / 56

Ache a função de distribuição de X.

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 14 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 15 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 18 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 19 / 56

Variável Aleatória Contínua

Uma variável aleatória será contínua quando o número de valores

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 20 / 56

Função de Densidade de Probabilidade

A função densidade de probabilidade (fdp) para uma variável

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 21 / 56

Sendo assim, as probabilidades abaixo serão todas iguais, se X

P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) = P (a < X < b)

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 22 / 56

Função de Distribuição (Acumulada)

A função distribuição acumulada (fda) é definida por

Igualmente, pode-se provar que

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 23 / 56

Como se vê, f (x) assim definida, é realmente uma função

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 24 / 56

Portanto, temos que a função de distribuição para a variável aleatória

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 25 / 56

(a) Obter F (x)

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 26 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 27 / 56

A esperança de uma variável aleatória nos dá a média de todos os

A esperança de uma variável aleatória contínua é dada por:

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 28 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 30 / 56

José Clelto Variáveis Aleatórias; Valores característicos Semestre: 2019/2 31 / 56

V ar(X) = E{[X − E(X)]2 }. (1)

Resolvendo para o Caso discreto:

Resolvendo para o Caso contínuo:

Notação: V (X), σ 2 (X), 2 ,

Desenvolvendo a Equação (1), encontramos uma fórmula mais prática

V ar(X) = E(X 2 ) − [E(X)]2 ,

para variável aleatória contínua