Variaveisaleatorias EPGestao 2425 Parte 1

4.
Variáveis aleatórias
Variável aleatória
Uma variável aleatória, X , é uma função que a cada Variável aleatória discreta
acontecimento de w ∈ Ω (e3 ∈ δ na figura seguinte) associa um Uma variável aleatória é discreta se assume um número finito
valor numérico X (w) ∈ R (X (e3 ) ∈ R na Figura 1). ou infinito numerável de valores (número infinito de valores que
se podem ordenar numa sequência).
Variável aleatória contínua

Uma variável aleatória é contínua se assume um número
infinito não numerável de valores (infinidade de valores que
não se podem ordenar numa sequência), isto é, todos os
valores de um intervalo de números reais são aceitáveis.
Figure: Figura extraída do livro de título Statistical Concepts and

Methods
Estatística e Probabilidades 2024/2025 Licenciatura em Gestão Délia Canha Gouveia Reis 1 Estatística e Probabilidades 2024/2025 Licenciatura em Gestão Délia Canha Gouveia Reis 2
Função de distribuição
Da axiomática de Kolmogorov decorre que

Definição P(B − A) = P(B) − P(B ∩ A) = P(B) − P(A ∩ B).
A função real de variável real, FX , com domínio R, definida por Se A ⊂ B (B ∩ A = A, temos P(B − A) = P(B) − P(A).
FX (x) = P[X ≤ x] = P({w : X (w) ∈] − ∞, x]}) Então, como um segmento de reta ]a, b] pode ser escrito como
B − A, com A =] − ∞, a] e B =] − ∞, b], da definição de função
designa-se de função de distribuição da variável aleatória X . de distribuição é imediato que a probabilidade induzida por X
num segmento de reta ]a, b] é
Para qualquer variável aleatória, temos que P(a < X ≤ b) = P({w : X (w) ≤ b} − {w : X (w) ≤ a})
= FX (b) − FX (a), ∀a < b
P(a < X ≤ b) = FX (b) − FX (a), ∀a < b
Variável aleatória discreta e função massa de
Propriedades da função massa de probabilidade
probabilidade
X é uma variável aleatória discreta se e só se existir um ▶ P[X = xk ] ≥ 0, qualquer que seja o valor xk que a
conjunto finito ou numerável de pontos S = {xk }k ∈K , o suporte variável X pode assumir;
da variável aleatória, tal que ▶
P
P[X = xk ] = 1.
X
P(X = xk ) > 0 e P(X = xk ) = 1
k ∈K
Observação
Também podemos denotar P[X = xk ] por pk ou por fX (xk ).
Função massa de probabilidade
A função massa de probabilidade (distribuição de Definição da função de distribuição de uma v.a. discreta
probabilidades; função de probabilidade) duma variável A função de distribuição de uma v. a. discreta é dada por
aleatória discreta X é a lista dos valores distintos que ela pode
assumir, xk , e das probabilidades que estão associadas a FX : R → R
X
esses valores, P[X = xk ]. x → FX (x) = P[X ≤ x] = P[X = xk ]
k :xk ≤x
xk , k ∈ K,
X =
P[X = xk ]
Exemplo
Consideremos a variável aleatória X com função massa de Observamos que
1
probabilidade dada por P[X = 1] = ≥0
8
1 2 3 4 1
X = 1 1 1 1 P[X = 2] = ≥0
8 4 2 8 4
A representação gráfica desta função massa de probabilidade 1
está apresentada na seguinte figura P[X = 3] = ≥0
2
1
P[X = 4] = ≥0
8
e
1 1 1 1
P[X = 1]+[P[X = 2]+[P[X = 3]+P[X = 4] = + + + =1
8 4 2 8
Figure: Figura extraída do livro de título Statistical Concepts and Determinemos agora a função distribuição de X .
Methods
Se x < 1, então FX (x) = 0.
Se 1 ≤ x < 2, então FX (x) = P[X = 1] = 18 . A função de distribuição de X é dada por
Se 2 ≤ x < 3, então
0 x <1


 1
1 1 3


 8 1≤x <2
FX (x) = P[X = 1] + P[X = 2] = + = . 

8 4 8


 3

2≤x <3
Se 3 ≤ x < 4, então FX (x) = 8


7
3≤x <4


8


1 1 1 7


FX (x) = P[X = 1] + P[X = 2] + P[X = 3] = + + = .



8 4 2 8 1 x ≥4
Se x ≥ 4, então
Observamos, por exemplo, que
FX (x) = P[X = 1] + P[X = 2] + P[X = 3] + P[X = 4] ▶ FX (2) = P[X ≤ 2] = 38 ;
1 1 1 1 1
= + + + = 1. ▶ P[X ≥ 3] = 2 + 18 = 5
8 = 1 − 38 = 1 − P[X ≤ 2] = 1 − FX (2).
8 4 2 8
Representação gráfica da função de distribuição e da

função massa de probabilidade A função de distribuição de X é dada por

 0 x < x1


Exemplo




 0.2 x1 ≤ x < x2
Consideremos a variável aleatória X com função massa de




probabilidade dada por

FX (x) = 0.6 x2 ≤ x < x3


x1 x2 x3 x4 

X = 
 0.9 x3 ≤ x < x4
0.2 0.4 0.3 0.1 






que também pode ser representada do seguinte modo 1 x ≥ x4
xk x1 x2 x3 x4 Observação: Sempre que a v. a. X esteja subentendida, as

fX (xk ) 0.2 0.4 0.3 0.1 notações FX e fX podem ser simplificadas para F e f ,
respetivamente.
Representação gráfica da função massa de probabilidade e da
função distribuição da v.a. X
Propriedades da função de distribuição de uma variável
aleatória discreta
▶ 0 ≤ FX (x) ≤ 1, ∀x ∈ R;
▶ FX é uma função monótona não decrescente, isto é
x1 < x2 → FX (x1 ) ≤ FX (x2 ), ∀x1 < x2
▶ limx→−∞ FX (x) = 0 e limx→+∞ FX (x) = 1

Figure: Figuras extraídas do livro de título Introdução à Estatística ▶ FX é uma função descontínua nos pontos de massa de
probabilidade, i.e., nos valores que a v.a. discreta X
Observação assume, e é contínua à direita desses pontos.
A função distribuição de uma v.a. discreta X é uma função em
escada.
Exemplo
Definição de valor médio de uma variável aleatória Consideremos novamente a variável aleatória X com função
discreta massa de probabilidade dada por
Seja X uma variável aleatória discreta com função massa de
1 2 3 4
probabilidade X = 1 1 1 1
8 4 2 8

xk , k ∈ K,
X = Determinemos o valor médio de X
P[X = xk ]
O valor médio (ou valor esperado, ou esperança matemática) E[X ] = x1 P[X = x1 ] + x2 P[X = x2 ] + x3 P[X = x3 ] + x4 P[X = x4 ]
de X é 1 1 1 1
X = 1× +2× +3× +4×
E[X ] = xk P[X = xk ], 8 4 2 8
k ∈K 21
=
8
P
se k ∈K |xk |P[X = xk ] < ∞.
(E[X ] = 1 × 0.125 + 2 × 0.25 + 3 × 0.5 + 4 × 0.125 = 2.625)
Observação
Definição de variância de uma variável aleatória discreta
O valor médio de uma variável aleatória X além de ser
representado por E[X ] também o é por µ ou µX . Seja X uma variável aleatória discreta com função massa de
probabilidade
Definição de variância de uma variável aleatória
A variância de uma variável aleatória X representada por xk , k ∈ K,
X =
Var [X ], ou σ 2 é o valor definido por P[X = xk ]
Var [X ] = E([X − E(X )]2 ) = E([X − µX ]2 ).

A variância de X é
Desvio padrão X
O desvio padrão de uma variável aleatória X , representado por Var [X ] = (xk − E[X ])2 P[X = xk ],
k ∈K
σX , é dado por
− E[X ]|2 P[X = xk ] < ∞.
P
se k ∈K |xk
p
σX = Var [X ]
2
P
Temos k ∈K xk P[X = xk ] igual a
x12 P[X = x1 ] + x22 P[X = x2 ] + x32 P[X = x3 ] + x42 P[X = x4 ]

A variância também é dada por
! Assim, obtemos
X
Var [X ] = xk2 P[X = xk ] − (E[X ])2 .
12 × 0.125 + 22 × 0.25 + 32 × 0.5 + 42 × 0.125 = 7.625
k ∈K
Exemplo 4
X
!
Consideremos novamente a variável aleatória X com função Var [X ] = xk2 P[X = xk ] − (E[X ])2
massa de probabilidade dada por k =1
= 7.625 − (2.625)2
1 2 3 4
X = 1 1 1 1 = 7.625 − 6.890625
8 4 2 8
= 0.734375
Determinemos Var [X ] e σX .
√
σX = 0.734375 ≈ 0.857
Variável aleatória contínua e função densidade de
probabilidade Nos pontos em que não existe derivada de FX consideramos
que fX (x) = 0.
Variável absolutamente contínua Assim, podemos definir a função densidade de probabilidade
Uma variável aleatória X é absolutamente contínua se e só se do seguinte modo:
existir uma função fX , chamada função densidade de  d
probabilidade, tal que  dx FX (x), nos pontos onde FX′ existe
Z x fX (x) =
0 caso contrário

FX (x) = P[X ≤ x] = fX (t)dt
−∞
Propriedades da função densidade de probabilidade

Função densidade de probabilidade Toda a função densidade de probabilidade fX satisfaz as
A função densidade de probabilidade é a função derivada da seguintes propriedades:
função de distribuição nos pontos onde existe derivada de FX : ▶ fX (x) ≥ 0, ∀x ∈ R;
R +∞
d ▶ −∞ fX (x)dx = 1.
fX (x) = FX (x)
dx
Representação gráfica da função distribuição e da

função densidade de probabilidade
Para cada ponto a:
▶ F (a) é a ordenada da função distribuição, e é também a
área delimitada pela função densidade entre −∞ e a;
▶ f (a) é a ordenada da função densidade de probabilidade,
sendo também o declive da função distribuição no ponto a
(tan(α) = F ′ (a) = f (a)).
Observação
Sempre que a v. a. X esteja subentendida, as notações FX e
fX podem ser simplificadas para F e f , respetivamente.
Figure: Figura extraída do livro de título Introdução à Estatística
Exemplo
Seja X uma variável aleatória absolutamente contínua com
função densidade de probabilidade fX (x) = 15 I]2,7[ (x), ou seja,
Definimos como o suporte da função densidade de
probabilidade o conjunto S = {x : F ′ (x) > 0}. Usando a função 
0 se x ≤ 2
indicatriz de S,





1

 1, se x ∈ S fX (x) = 5 se 2 < x < 7

IS = IS (x) =



0 se x ≥ 7

0 se x ̸∈ S

em geral multiplicamos a expressão analítica da função Determinemos a função distribuição de X :

densidade de probabilidade pela função indicatriz do seu Se x < 2, então
suporte. Z x
FX (x) = P[X ≤ x] = 0 dt = 0
−∞
Se 2 < x < 7, então

Z 2 Z 7 Z x
1
Z x = 0dt + dt + 0dt
−∞ 2 5 7
FX (x) = P[X ≤ x] = fX (t)dt
−∞ 7
1 7 2
Z 2 Z x = t = − =1
1 5 2 5 5
= 0dt + dt
−∞ 2 5
x
Assim, a função de distribuição de X é dada por

1 x 2 x −2
= t = − =
5 2 5 5 5 

 0 se x < 2
Se x > 7, então



x−2
FX (x) = 5 se 2 ≤ x < 7
Z x 
FX (x) = P[X ≤ x] = fX (t)dt



1 se x ≥ 7

−∞
Propriedades da função de distribuição de uma variável
Definição de valor médio de uma variável aleatória
aleatória absolutamente contínua
absolutamente contínua
▶ 0 ≤ FX (x) ≤ 1, ∀x ∈ R; Seja X uma variável aleatória absolutamente contínua com
função densidade de probabilidade, fX . O valor médio de X é
▶ FX é uma função monótona não decrescente, isto é
Z +∞
x1 < x2 → FX (x1 ) ≤ FX (x2 ), ∀x1 < x2 E[X ] = xfX (x)dx,
−∞
R +∞
se −∞ |x|fX (x)dx < ∞.
▶ limx→−∞ FX (x) = 0 e limx→+∞ FX (x) = 1
▶ FX é uma função contínua em R Exemplo
▶ Consideremos novamente a variável aleatória absolutamente
contínua X com função densidade de probabilidade
P(x1 < X < x2 ) = P(x1 ≤ X ≤ x2 ) = P(x1 ≤ X < x2 ) =
1
= P(x1 < X ≤ x2 ) = FX (x2 ) − FX (x1 ) fX (x) = I (x)
5 ]2,7[


 0 se x ≤ 2


 Relembremos
1
fX (x) = 5 se 2 < x < 7 Definição de variância de uma variável aleatória


A variância de uma variável aleatória X representada por


0 se x ≥ 7

Var [X ], ou σ 2 é o valor definido por
Determinemos o valor médio de X
Z +∞ Var [X ] = E([X − E(X )]2 ) = E([X − µX ]2 ).
E[X ] = xfX (x)dx
−∞
Z 2 Z 7 Z +∞ Desvio padrão
1
= x × 0dx + x × dx + x × 0dx O desvio padrão de uma variável aleatória X , representado por
−∞ 2 5 7
7 σX , é dado por
x2

= p
10 2 σX = Var [X ]
49 4 9
= − = = 4.5
10 10 2
Definição de variância de uma variável aleatória
absolutamente contínua Exemplo
Seja X uma variável aleatória absolutamente contínua com Consideremos novamente a variável aleatória absolutamente
função densidade de probabilidade, fX . contínua X com função densidade de probabilidade
A variância de X é
Z +∞ 1
fX (x) = I (x)
Var [X ] = (x − E[X ])2 fX (x)dx 5 ]2,7[
−∞
Determinemos Var [X ] e σX .
R +∞
se −∞ |x − µX |2 fX (x)dx < ∞.
Primeiro, determinemos
A variância também é dada por Z +∞ Z 2 Z 7 Z +∞
2 2 2 1
Z +∞ x fX (x) dx = x ×0 dx+ x × dx+ x 2 ×0 dx
−∞ −∞ 2 5 7
Var [X ] = x 2 fX (x)dx − (E[X ])2 .
−∞
Propriedades do valor médio e da variância
Seja X uma variável aleatória qualquer.

Z +∞ Z 7
1
x 2 fX (x) dx = 0+ x 2 × dx + 0 Propriedades do valor médio
−∞ 2 5
3 7
▶ E[a] = a, a constante
x 343 8 335 67
= = − = = ≈ 22.333 ▶ E[bX ] = bE[X ], b constante
15 2 15 15 15 3
▶ E[a + X ] = a + E[X ], a e b constantes
▶ E[a + bX ] = a + bE[X ], a e b constantes
2
67 9 25
Var [X ] = − = ≈ 2.083
3 2 12 Propriedades da variância
▶ Var [a] = 0, a constante
▶ Var [bX ] = b2 Var [X ], b constante
r
25 5
σX = = √ ≈ 1.443
12 2 3 ▶ Var [a + X ] = Var [X ], a constante
▶ Var [a + bX ] = b2 Var [X ], a e b constantes
Momentos de uma variável aleatória
Denominamos de momento de ordem n centrado em r o valor
médio da variável (X − r )n , se existir. Teorema de König
▶ E(X n ) é simplesmente denominado de momento de No caso de existir a variância da variável aleatória X ,
ordem n se r = 0; h i
▶ E([X − µX ]n ) é simplesmente denominado de momento var (X ) = E X 2 − (E[X ])2
centrado de ordem n se r = µX .
Momento de ordem n Observação

O momento de ordem n de uma variável aleatória é dado por O valor médio é o momento de ordem 1.
A variância é o momento centrado de ordem 2.
 P n
Pelo teorema de König temos também que a variância é a
 k ∈K xk P[X = xk ], se X é discreta diferença entre o momento de ordem 2 e o quadrado do
n
E [X ] = momento de ordem 1.
 R +∞
−∞ x n fX (x)dx se X é absolutamente contínua
n
R +∞
|x|n fX (x)dx < ∞, respetivamente.
P
se k ∈K |xk | pk <∞e −∞

Variaveisaleatorias EPGestao 2425 Parte 1

Enviado por

Direitos autorais:

Formatos disponíveis

Variaveisaleatorias EPGestao 2425 Parte 1

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Variaveisaleatorias EPGestao 2425 Parte 1

Enviado por

Direitos autorais:

Formatos disponíveis

4.

Variável aleatória contínua

Figure: Figura extraída do livro de título Statistical Concepts and

Da axiomática de Kolmogorov decorre que

Representação gráfica da função de distribuição e da

xk x1 x2 x3 x4 Observação: Sempre que a v. a. X esteja subentendida, as

x1 < x2 → FX (x1 ) ≤ FX (x2 ), ∀x1 < x2

▶ limx→−∞ FX (x) = 0 e limx→+∞ FX (x) = 1

(E[X ] = 1 × 0.125 + 2 × 0.25 + 3 × 0.5 + 4 × 0.125 = 2.625)

Var [X ] = E([X − E(X )]2 ) = E([X − µX ]2 ).

x12 P[X = x1 ] + x22 P[X = x2 ] + x32 P[X = x3 ] + x42 P[X = x4 ]

Propriedades da função densidade de probabilidade

Representação gráfica da função distribuição e da

Figure: Figura extraída do livro de título Introdução à Estatística

em geral multiplicamos a expressão analítica da função Determinemos a função distribuição de X :

Se 2 < x < 7, então

Propriedades do valor médio e da variância

Seja X uma variável aleatória qualquer.

Momento de ordem n Observação

Você também pode gostar