Variável Aleatória

Gilson Barbosa Dourado gdourado@uneb.br

6 de agosto de 2008

. a2 . .) podem ser classicadas em: discretas (se assumir valores num conjunto enumeravel com certa probabilidade) contínua (se seu conjunto de valores qualquer intervalo dos números reais. an }. .a.Denição de Variável Aleatória Considere um experimento E e seu espaço amostral Ω = {a1 . As variáveis aleatórias (v. . o que seria um conjunto não enumerável). . Variável aleatória é qualquer função que associa a cada elemento do espaço amostral um valor númerico.

. i = 1. ou ainda X P X x1 p1 x2 p2 x3 p3 ( = xi ) . ..Variável Aleatória Discreta Distribuição de Probabilidade Uma distribuição de probabilidade de uma variável aleatória uma relação dos distintos valores xi X é de X juntamente com as probabilidades associadas. .. .. 2. A notação utilizada é a seguinte: P X ( = xi ) = p (xi ) = pi . ..

Para que uma função P (X = xi ) = p (xi ) seja uma distribuição de probabilide. 2. é necessário que: 1. 3. P X ( ( = xi ) ≥ 0 e ( P X ( = xi ) ≤ 1 P X P X = xi ) = 1 = x ) = p (x ) .

Exemplo: No lançamento de duas moedas. Determine os valores de S e a função de probabilidade associada. K ). onde C é coroa e K cara. C ). K ). Evento X CC CK KC KK 0 1 1 0 1/4 2 1 2/4 2 1/4 Valores de X Probabilidade P (X = x ) Exercício: No lançamento de dois dados. (C . C ). (K . (K . a variável aleatória X anota o número de caras obitdas. Os valores de X e a função de probabilidade associada são: Ω = (C . a variável aleatória S anota a soma das faces superiores do dado. .

podemos calcular probabilidades do tipo P X P X ( ≤ 5) = 1/36 + 12/36 + 3/36 + 4/36 = 10/36 (6 ≤ X ≤) = 5/36 + 6/36 + 5/36 = 16/36 ( > 8) = P (X ≥ 9) = 4/36 + 3/36 + 2/36 + 1/36 = 10/36 P .Função de Distribuição de Probabilidade A função de distribuição ou função acumulada de probabilidade de uma variável aleatória discreta X é denida para qualquer número real x . pela seguinte expressão: F X ( ) = P (X = x ) Exemplo: Do exercício anterior.

Para calcularmos probabilidades associadas a uma variável aleatória temos basicamente de saber calcular as probabilidades dos eventos: P X ( = x) e P X ( ≤ x) Outras probabilidades calculam-se como combinações dessas duas. Assim. no exemplo acima: P X ( ≥ 9) = 1 − P (X ≤ 8) P (6 ≤ X ≤ 8) = P (X ≤ 8) − P (X < 6) = P (X ≤ 8) − P (X ≤ 5) .

isto é: E X ( ) = = x1 P X ( n = x1 ) + x2 P (X = x2 ) + . . + xn P (X = xn ) ( = xi ) xi P X i =1 . .Esperança Matemática ou Valor Esperado de uma Variável Aleatória Um valor esperado é simplesmente uma média dos possíveis resultados pesados de acordo com a sua probabilidade de ocorrência.

84 E L .Exercício: Um comerciante espera vender um automóvel até sexta-feira.10 648 0. L P L ( = l) 3. 88 × 0.80 0.000 0. Na terça-feira é de 30%.30 + 1.199. 10 + 648 × 0.800 × 0. 05 = 2.50 1. A expectativa de que venda na segunda-feira é de 50%. Calcule o valor esperado de lucro deste negociante nesta venda.080 × 0.05 ( ) = 3.000 × 0.800 0. na quinta-feira e na sexta-feira de 5%.m.30 1080 0. na quarta-feira é de 10%. se vender na segunda-feira é diminui 40% a cada dia. 50 + 1. 05 + 388.000 u. Seu lucro é de 3.05 388.

E (a ± bX ) = a ± bE (X ) Exemplo: Um lojista mantém extensos registros das vendas diárias de certo aparelho.Propriedades do Valor Esperado Se a e b são constantes e X uma variável aleatória. então: 1. E (X ± a) = E (X ) ± a 4.00 o lucro por unidade vendida.1 1 0.1 Se é de R$ 20.2 5 0.3 4 0. qual o lucro esperado nas vendas de uma semana? . E (a) = a 2.2 3 0. O quadro a seguir da o número xi de aparelhos vendidos em uma semana e a respectiva probabilidade: Número xi Probabilidade 0 0.1 2 0. E (bX ) = bE (X ) 3.

Dp X Dp X ( )>0 ± a) = Dp (X ) ) = |b|Dp (X ) ( Dp bX Dp a ( ( ± bX ) = |b|Dp (X ) . 2. 3. Dp (X ) = σ = Propriedades 1. Var X ( )>0 ( ± a) = Var (X ) )= 2 b Var (X ) 2 b Var (X ) Var X Var bX Var a ( ( ± bX ) = 1. 3. 4. 2. 4.Variância A variância da variável aleatória X é denida por: σ 2 = Var (X ) = E [(X − µ)2 ] = E (X 2 ) − µ2 O desvio padrão (σ ) é a raiz quadrada da variância: √ σ2.

A função de probabilidade associada à variável aleatória X . 3. 4. Os possíveis valores que a variável aleatória X pode assumir. A variância e o desvio-padrão da variável aleatória X . Os componentes principais de um modelo estatístico teórico: 1. O valor esperado da variável aleatória X . 2.Modelos Teóricos Discretos de Probabilidade Quando aplicamos a Estatística na resolução de problemas administrativos. . vericamos que muitos problemas apresentam as mesmas caractéristicas o que nos permite estabelecer um modelo teórico para determinação da solução de problemas.

P X Discrição do modelo 1. 2. E (X ) = p . √ Var (X ) = p × q e Dp (X ) = p × q X Podemos escrever o modelo do seguinte modo: P X ( = x ) = p x × q 1−x onde q = 1 − p. = {0 . 4.Distribuição (ou modelo) de Bernoulli Característica do modelo Se uma variável aleatória X só pode assumir os valores 0 e 1 com ( = 0) = q e P (X = 1) = p com p + q = 1. 3. então diremos que a variável aleatória X admite distribuição de Bernoulli. . 1 } P (X = 0) = q e P (X = 1) = p .

( ) = 1/2 × 1/2 = 1/4 e ( )= Var X 1/4 = 1/2. ( = 0) = 1/2 e P X P X E X ( = 1) = 1/2. 1}. Calcule a média e o desvio-padrão de B.Exemplo: No lançamento de uma moeda. Uma bola é retirada da urna e a variável aleatória B anota o número de bolas brancas obtidas. 2. 4. X Y = {0. 1. Exercício: Uma urna contém 15 bolas brancas e 25 bolas vermelhas. 3. a variável aleatória anota o número de caras obtidas. . Dp X ( ) = 0 × 1/2 + 1 × 1/2 = 1/2.

1. 2. 2 · · · . assume-se que a probabilidade de "sucesso"a cada nova repetição do experimento é constante e igual a p e que deseja-se contar quantos "sucessos"teve-se em n tentativas. 4. Além disso. · · · . n e k p q Dp X n k = n! k !(n−k )! ( ) = n × p. n}. Var (X ) = n × p × q e E X ( )= √ n ×p×q . nas quais tem-se n repetições independentes. 2. 1.Ditribuição Binomial Característica do modelo Esta distribuição de probabilidade é utilizada na descrição de situações. sendo que em cada repetição apresenta apenas dois resultados possíveis. k = 0. 3. que podem ser denotados como "sucesso"ou "fracaso". Discrição do modelo 1. X = {0. n k n−k P (X = k ) = .

9012 = 0. X = {0. 1. 9012−k . 9012−0 = 0!(12 − 0)! 0 Resposta b) P X ( = 1) = 12 12! 0. 3. Calcule a probabilidade de um cliente comprar uma caixa contendo: a) nenhuma peça defeituosa. 101 0. 10k 0. 282 0. P (X = k ) = 12 0. 10×0. As peças são embaladas em caixas que contém 12 peças. 100 0. 377 1 1!(12 − 1)! . 2. X . 90 = q . 9012−1 = 0. 10 = p . · · · . k Resposta a): P X ( = 0) = 12 12! 0. P (defeituosa) = 0. Temos 1. 12}. b) uma peça defeituosa. 2. P (não defeituosa) = 0. 9012 = 0.número de peças defeituosas na caixa.Exemplo: Uma empresa produz 10% de peças defeituosas.

3.Distribuição de Poisson É uma distribuição de probabilidade discreta que se aplica a ocorrência de eventos ao longo de intervalos especicados. ( ) = λ. · · · }. k Var X . ( = k) = ( ) = λ. 2. X P X E X X admite distribuição de Poisson se: = 0. volume ou alguma unidade similar. = {0. distância. 2. 2 · · · . Os intervalos pode ser de tempo. Uma variável aleatória 1. área. 1. A variável aleatória é o número de ocorrência do evento no intervalo. 1. e −λ λk k! . 4.

Obs: O parâmetro ocorrência. enquanto que a distribuição de Poisson é afetada apenas pela média λ. 2. Na distribuição binomial. n. · · · . mas a distribuição de Poisson tem os valores de X de 0. 1. A distribuição binomial é afetada pelo tamanho da amostra n e pela probabilidade p . 1. os valores possíveis da variável aleatória X são 0. 2. λ é usualmente referido como taxa de Exemplo: Suponha que o número de carros que chegam a uma la do guichê de um pedágio tem distribuição de Poisson a uma taxa de três carros por minuto. sem qualquer limite superior. 2. · · · . . calcule a probabilidade de que cheguem cinco carros em um minuto.Uma distribuição de Poisson difere de uma distribuição binomial nestes aspectos fundamentais: 1.