Variveis Aleatrias

Uma varivel aleatria associa um nmero

real a cada resultado de um experimento
aleatrio.

Mais precisamente



Variveis Aleatrias
Uma varivel aleatria uma funo
(mensurvel) X: O R que associa um
nmero real a cada resultado de um
experimento aleatrio.



Exemplos de variveis
aleatrias
Moeda honesta lanada 3 vezes
O = {ccc, cck, ckc, }
X = nmero de caras
Y = nmero de transies
Quando se observa cck:
X = 2
Y = 1
Exemplos de variveis
aleatrias
Moeda honesta lanada 3 vezes
O = {ccc, cck, ckc, }
X = nmero de caras
Y = nmero de transies

x 0 1 2 3
P(X=x)
Exemplos de variveis
aleatrias
Moeda honesta lanada 3 vezes
O = {ccc, cck, ckc, }
X = nmero de caras
Y = nmero de transies

x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
funo de massa de probabilidade (fmp) de X
Exemplos de variveis
aleatrias
Moeda honesta lanada 3 vezes
O = {ccc, cck, ckc, }
X = nmero de caras
Y = nmero de transies

y 0 1 2
P(Y=y)
Exemplos de variveis
aleatrias
Moeda honesta lanada 3 vezes
O = {ccc, cck, ckc, }
X = nmero de caras
Y = nmero de transies

y 0 1 2
P(Y=y) 1/4 2/4 1/4
Funo de Distribuio Acumulada
A funo de distribuio acumulada de
uma varivel aleatria X a funo F
X
:
RR definida por
F
X
(x) = P(X x)

Funo de Distribuio Acumulada
Exemplo:

x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
1 2 3
1/8
1/2
7/8
1
Se x < 0: P(Xx) = 0
Se 0 x <1: P(Xx) = P(X=0) = 1/8
Se 1 x <2: P(Xx) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2
Funo de Distribuio Acumulada
Roleta numerada continuamente de 0 a 10
X = prmio ganho
0, se x < 0
P(X x) = x/10, se 0 x 10
1, se x > 10
10
1
Funo de Distribuio Acumulada
Lana moeda honesta; se tirar cara, gira roleta
numerada continuamente de 0 a 10
X = prmio ganho
Funo de Distribuio Acumulada
Lana moeda honesta; se tirar cara, gira roleta
numerada continuamente de 0 a 10
X = prmio ganho
0, se x < 0
P(X x) = + x/10, se 0 x 10
1, se x > 10
10
1
Tipos de Variveis Aleatrias
Discretas
F
X
(x) = E
x
i
s x
P(X = x
i
)
(Absolutamente) Contnuas
F
X
(x) = }
x
i
s x
f
X
(x) dx
(onde f
X
(x) a densidade de probabilidade de
X)
Mistas
F
X
(x) = E
x
i
s x
P(X = x
i
) + }
x
i
s x
f
X
(x) dx
(H outras, mais patolgicas )

Exemplo
10
1
P(X = 0) =
0, se x < 0
f
X
(x) = 1/20, se 0 s x s 10
0, se x > 10
Propriedades da F.D.A.
F
X
no-decrescente

lim
x
F
X
(x) = 0, lim
x+
F
X
(x) = 1

lim
xa+
F
X
(x) = F(a) (continuidade
direita)


Funo de Distribuio Acumulada
A f.d.a. caracteriza completamente a distribuio
de qualquer v.a. (ou seja, conhecendo a f.d.a.
podemos obter a probabilidade de qualquer
evento envolvendo a v.a.)


1 3
0,4
1
x
F
X
(x)
0,65
P(X = 2) =

P(X = 3) =

P(X < 3) =

P(1 s X s 3) =
Principais Distribuies
Discretas
Bernoulli
Binomial
Geomtrica
Hipergeomtrica
Poisson
Principais Distribuies Contnuas
Uniforme
Exponencial
Normal (e associadas: _
2
, t, F)
Bernoulli
Espao amostral binrio (sucesso-
fracasso, sim-no, 1-0)
1, com probabilidade p
X =
0, com probabilidade 1p

Notao: X ~ be(p)
Binomial
Sequncia de n experimentos de Bernoulli,
independentes e com mesma probabilidade p de
sucesso
X = nmero de sucessos






Binomial
Sequncia de n experimentos de Bernoulli,
independentes e com mesma probabilidade p de
sucesso
X = nmero de sucessos
Cada uma das seqncias com k sucessos e nk

fracassos tem probabilidade p
k

(1p)
n-k
. Logo:



Notao: X ~ B(n, p)

n k p p
k
n
k X P
k n k
,..., 1 , 0 , ) 1 ( ) ( =
|
|
.
|

\
|
= =

|
|
.
|

\
|
k
n
Geomtrica
Sequncia de experimentos de Bernoulli,
independentes e com mesma probabilidade p
de sucesso
X = lanamento em que ocorre o primeiro
sucesso.





Geomtrica
Sequncia de experimentos de Bernoulli,
independentes e com mesma probabilidade p
de sucesso
X = lanamento em que ocorre o primeiro
sucesso.
X = k k1 fracassos seguido de um
sucesso


Notao: X ~ G(p)

,... 3 , 2 , 1 , ) 1 ( ) (
1
= = =

k p p k X P
k
Hipergeomtrica
Urna com N bolas, sendo B brancas, de onde
so extradas n bolas, sem reposio.
X = nmero de bolas brancas extradas




Notao: X ~ HG(N, B, n)
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= =
n
N
b n
B N
b
B
b X P ) (
Exemplo
Amostra de tamanho n extrada de uma
populao com N indivduos, dos quais b
so favorveis a um candidato.
Qual a distribuio do nmero de
pessoas favorveis ao candidato na
amostra?
Exemplo
Amostra de tamanho n extrada de uma
populao com N indivduos, dos quais B
so favorveis a um candidato.
Qual a distribuio do nmero de
pessoas favorveis ao candidato na
amostra?
Resposta: HG(N, B, n)
Exemplo
Amostra de tamanho n extrada de uma
populao com N indivduos, dos quais b
so favorveis a um candidato.
Qual a distribuio do nmero de
pessoas favorveis ao candidato na
amostra?
Resposta: HG(N, B, n)
Mas, se n << N, aproximadamente
B(n, B/N)
Distribuio de Poisson
Em mdia, um site de internet tem = 0,5
acessos por segundo. Qual o modelo
apropriado para a distribuio do nmero
de acessos efetuados em um segundo?

Distribuio de Poisson
Discretizar 1 segundo em n intervalos de
durao 1/n
Como o nmero de usurios grande,
razovel considerar a existncia de acessos
neste intervalos como eventos independentes,
cada um com probabilidade p.
Para que o nmero mdio de acessos por
minuto seja igual a , deve-se ter np = .
Distribuio de Poisson
,... 2 , 1 , 0 ,
!
1 1
) 1 )...( 1 (
lim
!
1
)! ( !
!
lim ) (
) , ( ~ onde ), ( lim ) (
=

=
|
.
|

\
|

|
.
|

\
|

+
=
=
|
.
|

\
|

|
.
|

\
|

= =

= = = =

k e
k
n n
n
k n n n
k
n n k n k
n
k X P
n
p n B Y k Y P k X P
k
k n
k
n
k
k n k
n
n
Distribuio de Poisson
Caso limite da distribuio binomial,
quando n e np se mantm constante
Acessos a sites
Chegadas de consumidores a um banco
Nmero de erros tipogrficos em um texto
Nmero de partculas radioativas emitidas

Exemplo
No caso da pgina de internet, qual a
probabilidade de que haja pelo menos um
acesso em um dado segundo?
Exemplo
No caso da pgina de internet, qual a
probabilidade de que haja pelo menos um
acesso em um dado segundo?

P(X>0) = 1 P(X=0) = 1 e
-0.5
= 0,395
Exemplo
Qual a distribuio do nmero de
acessos em um minuto?


Exemplo
Qual a distribuio do nmero de
acessos em um minuto?

Poisson (30)

Em geral, o nmero de acessos em um
intervalo de durao t tem distribuio
Poisson (t)
Esperana
Idia: a esperana (ou valor esperado) de
uma v.a. o valor mdio que se espera
obter ao se repetir um experimento
aleatrio um grande nmero de vezes.

Esperana
Exemplo: Quem acerta um dos 25 grupos no
jogo do bicho ganha 18 vezes o valor apostado.
Qual o ganho esperado para quem aposta R$
1,00?
Esperana
Exemplo: Quem acerta um dos 25 grupos no
jogo do bicho ganha 18 vezes o valor apostado.
Qual o ganho esperado para quem aposta R$
1,00?
Ganha-se 17 com probabilidade 1/25
-1 com probabilidade 24/25
Aps um grande nmero n de apostas, o ganho mdio
, aproximadamente:

28 , 0 $
25
7
25
24
). 1 (
25
1
. 17
R
n
n n
= =
+
Esperana
O valor esperado de uma v.a. discreta X
:
EX = E
i
x
i
.
P(X=x
i
)
(ou seja, a mdia dos valores assumidos
por X, ponderados por sua probabilidade)

EX pode ser um nmero real, +, , ou
no estar definida.
Esperana
) ( ) (
0 0
i
x
i i
x
i
x X P x x X P x EX
i i

= +

= =
< >
finito finito EX e R
finito EX =
finito + EX = +
+ EX no definido
Paradoxo de S. Petersburgo
Jogo em que chance de vitria 1/3, mas
cuja aposta 1:1.
Estratgia: jogar at vencer, sempre
dobrando o valor da aposta.
Variveis aleatrias de interesse:
X = ganho quando se aposta 1.
N = nmero de apostas at a sada.
Y = ganho na sada.
Paradoxo de S. Petersburgo
X = 1, com prob. 2/3
1, com prob. 1/3
EX = 1/3.
N finito com prob. 1


Y = 1

3 .... 3 .
3
1
.
3
2
2 .
3
1
.
3
2
1 .
3
1
2
= +
|
.
|

\
|
+ + = EN
Paradoxo de S. Petersburgo
Mas seja C o capital usado at a vitria

+ =
+
|
.
|

\
|
+ +
|
.
|

\
|
+ + =

... ) 1 2 .(
3
1
.
3
2
.... 7 .
3
1
.
3
2
3 .
3
1
.
3
2
1 .
3
1
1 2
n
n
EC
Propriedades
E(aX + b) = aEX + b
Mas, em geral, E(g(X)) = g(E(X))
Exemplo: Y = X
2
EX = (1).0,2.(1)+0.0,4+1.0,4 = 0,2
EY = 0.0,4+1.0,6 = 0,6

Note que
EY = 0
2
.P(X=0)

+ 1
2
.P(X=1)

+ (1)
2
.P(X=1)


X p
1 0,2
0 0,4
1 0,4
Y p
0 0,4
1 0,6
Propriedades
Para X discreta:
E(g(X)) = E
i
g(x
i
) P(X=x
i
)

(Law of the unconscious statistician)

Propriedades
E(X+Y) = EX + EY (sempre!)

E(XY) = EX EY, se X e Y so
independentes
Exemplo
Urna com 10 bolas, das quais 4 so brancas. Cinco
bolas so retiradas. Qual o nmero esperado de
bolas brancas retiradas:
a) com reposio?
b) sem reposio?
Varincia
Var(X) = E(XEX)
2
= E(X
2
) (EX)
2
Propriedades
Var(aX+b) = a
2
Var(X)


Var(X+Y) = Var(X) + Var(Y) + 2Cov(X,Y)
Propriedades
Se X
1
, X
2
, , X
n
so independentes,
ento

Var(X
1
+ X
2
++ X
n
) =

Var(X
1
) + Var(X
2
) + + Var(X
n
)
Exemplo
X ~ binomial(p)
Variveis Aleatrias Contnuas
F(x) = }
-
x
f(t) dt
f > 0 a densidade de X
P(a < X < b) = }
a
b
f(t) dt
}
-
+
f(t) dt = 1
f(x) = F (x)
P(xc
/
2
< X < x+c
/
2
) ~ c f(x)



x
c
Exemplo
Seja X a abscissa de um ponto escolhido
ao acaso no tringulo da figura. Qual a
densidade de X?
1
1
Soluo
1
1
x
) 1 0 ( 2 ) ( ) (
2 / 1 . 1
2 / .
) ( ) (
2
2
< < = = =
= = s =
x x x
dx
d
x F
dx
d
x f
x
x x
x X P x F
Outra soluo
1
1
x
) 1 0 ( 2 ) (
2 1
2 2
) (
1
0
1
0
2
< < =
= = =
(
(

(
=
=
}
x x x f
k
k kx
kx
kx x f
Esperana

discreta:


contnua:


mista:

}
+

+ = =
i
X i i
dx x f x x X P x EX ) ( ) (
}
+

= dx x f x EX
X
) (

= =
i
i i
x X P x EX ) (
Principais Distribuies Contnuas
Uniforme
Exponencial
Gama
Normal (e associadas: _
2
, t, F)
Distribuio Uniforme
a
b
1/(b-a)
a
b
1
f
X

F
X
Distribuio Exponencial
De volta ao exemplo do site na Internet.
Qual a distribuio do tempo de espera
X at a ocorrncia do primeiro acesso?
X > t se e s se o nmero de acessos em
[0, t] igual a 0
Logo, P(X>t) = P(N = 0), onde
N~Poisson(t)
Portanto, P(X>t) = e
-t

Distribuio Exponencial
X tem distribuio exponencial com
parmetro quando
F
X
(x) = 1e
x
, para x >0
Ou seja,
f
X
(x) = e
x
, para x > 0
Exemplo
O tempo de vida, em meses, de um
componente tem distribuio
exponencial de parmetro = 0,5.
a) Qual a probabilidade de que um
componente novo dure pelo menos 2
meses?
b) Dado que um componente usado j tem 1
ms de vida, qual a probabilidade de que
ele dure pelo menos mais dois meses?

Processo de Poisson
Tempo entre chegadas consecutivas
independentes, com distribuio
exponencial ()
Nmero de chegadas em intervalos
disjuntos independentes e com
distribuio Poisson (t), onde t o
comprimento do intervalo
Exemplo
Os acidentes em uma rodovia ocorrem de
acordo com um Processo de Poisson de taxa 2
acidentes por dia
Nmero mdio de acidentes por semana?
Nmero mdio de dias sem acidentes por semana?
Intervalo mdio entre acidentes?
Probabilidade de que haja 2 acidentes na 2
a
e 1 na
3
a
?
Probabilidade de que o primeiro acidente em um
certo dia s ocorra depois das 12 horas?
Distribuio Normal
A distribuio normal padro a distribuio da
varivel aleatria Z de densidade



Notao: Z ~ N(0, 1)
EZ = 0, Var Z = 1
2
2
2
1
) (
z
Z
e z f

=
t
Distribuio Normal
Uma varivel X tem distribuio normal
com parmetros (mdia) e o
2
(varincia)
quando da forma X = oZ + , onde
Z~N(0,1)

Notao: X~N(, o
2
)

Distribuio Normal
Qual a densidade da distribuio
X~N(, o
2
)?

De modo geral, qual a densidade de
g(X), onde g uma funo inversvel e X
uma v. a. de densidade f?

Transformando uma v. a.
A densidade de Y = g(X) dada por




onde x tal que g( x) = y.
| ) ( ' |
) (
) (
x g
x f
y f
X
Y
=
Transformando uma v.a.
Caso particular: Se X tem densidade f,
ento

Y = aX + b (a>0) tem densidade


X
Y
Y = 2X X= Y/2
|
.
|

\
|

a
b y
f
a
1
Densidade da distribuio
normal
A densidade da v.a. X com distribuio normal
N(, o
2
)
2
2
2
) (
2
1
) (
o

o t

=
x
X
e x f
Exemplo
As notas dos alunos em um teste tm
distribuio normal com mdia 70 e
desvio padro 10.
Se um aluno for escolhido ao acaso, qual
a probabilidade de que sua nota seja maior
que 85?
Qual a nota correspondente ao percentil
95%?
V. A. Multidimensionais
Exemplo: moeda honesta lanada 3 vezes
X = nmero de caras
Y = nmero de transies





Qual a probabilidade de que X = 2 e Y =1?

x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
y 0 1 2
P(Y=y) 1/4 2/4 1/4
V. A. Multidimensionais
No se pode responder (em geral) a partir
das distribuies individuais (marginais)
de X e Y.
Pode-se responder com base na
distribuio de (X, Y), tambm chamada
de distribuio conjunta de X e Y.
Distribuio Conjunta
e X Y
ccc 3 0
cck 2 1
ckc 2 2
kcc 2 1
ckk 1 1
kck 1 2
kkc 1 1
kkk 0 0
Distribuio Conjunta
e P X Y
ccc 1/8 3 0
cck 1/8 2 1
ckc 1/8 2 2
kcc 1/8 2 1
ckk 1/8 1 1
kck 1/8 1 2
kkc 1/8 1 1
kkk 1/8 0 0
X
Y
0 1 2 3
0
1
2
Distribuio Conjunta
e P X Y
ccc 1/8 3 0
cck 1/8 2 1
ckc 1/8 2 2
kcc 1/8 2 1
ckk 1/8 1 1
kck 1/8 1 2
kkc 1/8 1 1
kkk 1/8 0 0
X
Y
0 1 2 3
0 1/8 - - 1/8
1 - 2/8 2/8 -
2 - 1/8 1/8 -
P(X=2 e Y =1) = 2/8
Distribuio Conjunta
A distribuio conjunta de X = (X
1
, X
2
, ...,
X
n
) completamente caracteriza
probabilidades envolvendo X
1
, X
2
, ..., X
n
e
quaisquer subconjuntos delas
(distribuies marginais).

Distribuio Conjunta
X
Y
0 1 2 3 Y
0 1/8 - - 1/8
1 - 2/8 2/8 -
2 - 1/8 1/8 -
X
Distribuio Conjunta
X
Y
0 1 2 3 Y
0 1/8 - - 1/8 1/4
1 - 2/8 2/8 - 1/2
2 - 1/8 1/8 - 1/4
X 1/8 3/8 3/8 1/8
Funo de Distribuio Acumulada
A distribuio conjunta de X = (X
1
, X
2
, ...,
X
n
)

completamente caracterizada pela
sua funo de distribuio acumulada.

F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
) =
P(X
1
s x
1
, X
2
s x
2
, ..., X
n
s x
n
)
Exemplo
F
X
1
(x
1
) = ?

Funo de Distribuio Acumulada
A distribuio conjunta de X = (X
1
, X
2
, ...,
X
n
)

completamente caracterizada pela
sua funo de distribuio acumulada.

F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
) =
P(X
1
s x
1
, X
2
s x
2
, ..., X
n
s x
n
)
Exemplo
F
X
1
(x
1
) = lim
x
2
, ..., x
n

F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
)
Tipos de distribuio conjunta
Discretas
Quando existe um conjunto enumervel
A = {x
1
, x
2
, ...} tal que P(X e A) = 1.
Neste caso, P(X e B) =
x
i
e B
P(X = x
i
)

Tipos de distribuio conjunta
Discretas
Quando existe um conjunto enumervel
A = {x
1
, x
2
, ...} tal que P(X e A) = 1.
Neste caso, P(X e B) =
x
i
e B
P(X = x
i
)

Contnuas
Quando existe uma funo de densidade f tal
que

Neste caso:

1 2 2 1 2 1 ,..., ,
... ) ,... , ( ... ) ,..., , (
1 2
2 1
dt dt dt t t t f x x x F
n n
x x x
n X X X
n
n
} } }

=
1 2 2 1
... ) ,... , ( ... ) ( dt dt dt t t t f B P
n n
B
} } }
= e X
Exemplo
Um ponto (X, Y) escolhido no
quadrado unitrio com densidade
proporcional a x+y.
Qual a funo de densidade?
Qual a probabilidade de que X seja menor
que 1/2?

Propriedades
Esperana de funes de v.a. multidimensionais
E(g(X)) = E
i
g(x
i
) P(X=x
i
) (discreta)
E(g(X)) = }
R
n
g(x) f
X
(x) dx (contnua)
Casos particulares:
EX = }
R
2
x f
X,Y
(x,y) dy dx

E(X+Y) = }
R
2
(x+y) f
X,Y
(x,y) dy dx =
= }
R
2
x f
X,Y
(x,y) dy dx + }
R
2
y f
X,Y
(x,y) dy dx = EX +EY
Propriedades
Em geral, E (XY) = EX EY
Mas E(XY) = EX EY se X e Y so
independentes.
EY EX dy y f y dx x f x
dx dy y f y x f x
dx dy y f x f xy
dx dy y x f xy XY E
Y X
Y X
Y X
Y X
=
} }
=
|
.
|

\
|
} }
=
} }
=
} }
=
+

+

+

+

+



+

) ( ) (
) ( ) (
) ( ) (
) , ( ) (
,
Observao
X, Y independentes E(XY) = EX EY
E(XY) = EX EY X, Y independentes
no correlacionadas
Covarincia e Correlao
Cov(X, Y) = E(XEX)(YEY) =
= E(XY) EX EY

(X, Y) = Cov(X,Y)/o(X)o(Y)

Teorema: 1 (X, Y) 1