Baixe o app para aproveitar ainda mais
Prévia do material em texto
Variáveis Aleatórias Cont́ınuas Definição, Esperança e Variância 1 / 16 Introdução De modo geral, podemos dizer que as variáveis aleatórias cujos valo- res resultam de algum processo de mensuração são variáveis aleatórias cont́ınuas. Por exemplo: 1 O peso ou a altura das pessoas de uma cidade; 2 A demanda de energia de uma empresa; 3 O tempo de vida útil de um equipamento eletrônico; 4 Erros de medidas em geral, resultantes de experimentos em laboratórios. 2 / 16 Variáveis Aleatórias Cont́ınuas Definição 1 Dizemos que X é uma v.a. cont́ınua se existir uma função f , denominada função densidade de probabilidade (f.d.p.) de X, que satisfaça às seguintes condições: (a) f(x) ≥ 0, ∀x e (b) ∫ +∞ −∞ f(x)dx = 1. Ilustração: 3 / 16 Observações Se X é uma variável aleatória cont́ınua, então: (i) Para quaisquer a, b, com −∞ < a < b < +∞, teremos P (a < X < b) = ∫ b a f(x)dx. (ii) P (X = k) = 0, onde k é qualquer valor real. (iii) P (a < X < b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b). 4 / 16 Exemplo 1 O consumo de combust́ıvel de um certo automóvel é uma variável aleatória X, medida em km/l. Admita que a função densidade de probabilidade (f.d.p.) dessa variável é expressa pela seguinte função: f(x) = x− 10, se 10 < x < 11,12− x, se 11 ≤ x < 12, 0, caso contrário. (a) Mostre que a função acima é, de fato, uma f.d.p.. (b) Qual a probabilidade do consumo desse automóvel ser no ḿınimo 10, 5 km/l? 5 / 16 Exemplo 1(a): Solução. Observe que f(x) ≥ 0, ∀x, pois para 10 < x < 11 temos que f(x) = (x− 10) > 0; para 11 ≤ x < 12 temos que f(x) = (12− x) > 0; para x ≤ 10 ou x ≥ 12 temos que f(x) = 0. Por outro lado, temos que∫ +∞ −∞ f(x)dx = ∫ 10 −∞ f(x)dx+ ∫ 11 10 f(x)dx+ ∫ 12 11 f(x)dx+ ∫ +∞ 12 f(x)dx = [ x2 2 − 10x ]11 10 + [ 12x− x 2 2 ]12 11 = 1 2 + 1 2 = 1. Logo, a função f é, de fato, uma f.d.p., como queŕıamos mostrar. 6 / 16 Exemplo 1(b): Solução. A probabilidade do consumo desse automóvel ser no ḿınimo 10, 5 km/l é P (X ≥ 10, 5) = ∫ +∞ 10,5 f(x)dx = ∫ 11 10,5 f(x)dx+ ∫ 12 11 f(x)dx+ ∫ +∞ 12 f(x)dx = ∫ 11 10,5 (x− 10)dx+ ∫ 12 11 (12− x)dx = [ x2 2 − 10x ]11 10,5 + [ 12x− x 2 2 ]12 11 = 3 8 + 1 2 = 7 8 = 0, 875. 7 / 16 Valor Médio (Valor Esperado, Esperança) Definição 2 Seja X : Ω → RX uma variável aleatória cont́ınua e f sua respectiva função densidade de probabilidade (f.d.p.). Definimos o valor médio de X, e denotamos por µ ou E(X), da seguinte maneira µ = E(X) = ∫ +∞ −∞ x · f(x)dx. Observação: Pode acontecer que a integral imprópria acima seja diver- gente. Neste caso dizemos que a variável X não possui valor esperado. 8 / 16 Observações (1) Se X ≥ 0 então E(X) ≥ 0. (2) Se X é uma v.a. e a e b são constantes reais quaisquer, então E(aX + b) = aE(X) + b. (3) Em geral, E(Xk) 6= [E(X)]k qualquer que seja k ∈ N e k 6= 1. Como também, em geral, E[ln(X)] 6= ln[E(X)] e E[exp (X)] 6= exp [E(X)]. (4) Dada uma v.a. cont́ınua X e a respectiva f.d.p. f , o valor esperado da função h(X) é dado por E[h(X)] = ∫ +∞ −∞ h(x) · f(x)dx. 9 / 16 Exemplo 2 O consumo de combust́ıvel de um certo automóvel é uma variável aleatória X, medida em km/l. Admita que a densidade de probabilidade dessa variável é expressa pela seguinte função: f(x) = x− 10, se 10 < x < 11,12− x, se 11 ≤ x < 12, 0, caso contrário. Calcule o valor esperado de X. 10 / 16 Exemplo 2: Solução. O valor esperado de X é E(X) = ∫ +∞ −∞ x · f(x)dx = ∫ 10 −∞ x · f(x)dx+ ∫ 11 10 x · f(x)dx+ ∫ 12 11 x · f(x)dx+ ∫ +∞ 12 x · f(x)dx = ∫ 11 10 x · (x− 10)dx+ ∫ 12 11 x · (12− x)dx = [ x3 3 − 5x2 ]11 10 + [ 6x2 − x 3 3 ]12 11 = 16 3 + 17 3 = 11 km/l. 11 / 16 Variância Definição 3 Seja X : Ω → RX uma variável aleatória cujo valor médio µ = E(X) existe. Definimos a variância de X, e indicamos Var(X), por Var(X) = E[(X − µ)2]. Observação: A variância de uma v.a. X é um parâmetro associado à distribuição de probabilidade que traz informações sobre a dispersão dos posśıveis valores de X em torno do valor esperado µ = E(X), quando o mesmo existe. 12 / 16 Observações (1) Dado que (X − µ)2 ≥ 0 segue que Var(X) ≥ 0. (2) Uma fórmula alternativa para o cálculo da variância é dada por Var(X) = E(X2)− µ2. (3) Se X é uma v.a. cont́ınua com função densidade de probabilidade f então Var(X) = E(X2)− µ2, em que E(X2) = ∫ +∞ −∞ x2 · f(x)dx. (4) Se X é uma v.a. cuja variância existe e a e b são constantes reais quaisquer, então Var(aX + b) = a2 · Var(X). (5) Dado que Var(X) ≥ 0, definimos o desvio padrão de X por DP(X) = √ Var(X). 13 / 16 Exemplo 3 O consumo de combust́ıvel de um certo automóvel é uma variável aleatória X, medida em km/l. Admita que a densidade de probabilidade dessa variável é expressa pela seguinte função: f(x) = x− 10, se 10 < x < 11,12− x, se 11 ≤ x < 12, 0, caso contrário. Calcule a variância e o desvio padrão da v.a. X. 14 / 16 Exemplo 3: Solução. Já vimos, no Exemplo 2, que µ = E(X) = 11 km/l. Por outro lado, temos que E(X2) = ∫ +∞ −∞ x2 · f(x)dx = ∫ 11 10 x2 · (x− 10)dx+ ∫ 12 11 x2 · (12− x)dx = [ x4 4 − 10x 3 3 ]11 10 + [ 4x3 − x 4 4 ]12 11 = 683 12 + 257 4 = 727 6 (km/l)2. Logo, Var(X) = E(X2)− µ2 = 727 6 − 112 = 1 6 (km/l)2 e DP(X) = √ Var(X) = √ 1/6 ' 0, 4082 km/l. 15 / 16 Bibliografia Estat́ıstica Básica (7ª edição). Wilton O. Bussab e Pedro A. Morettin (2011). Editora Saraiva. Noções de Probabilidade e Estat́ıstica (4ª edição). Marcos N. Magalhães e Antonio C. P. de Lima. (2002). Edusp. Probabilidade, Aplicações à Estat́ıstica (2ª edição). Paul L. Meyer (1995). LTC. Dale Carnegie Muitas das coisas mais importantes do mundo foram conseguidas por pessoas que con- tinuaram tentando quando parecia não haver mais nenhuma esperança de sucesso. 16 / 16
Compartilhar