Baixe o app para aproveitar ainda mais
Prévia do material em texto
Variáveis Aleatórias Discretas Esperança e Variância 1 / 21 Introdução No estudo de variáveis aleatórias algumas caracteŕısticas numéri- cas (parâmetros) podem nos fornecer uma ideia sobre o comporta- mento da distribuição de probabilidades. Nos modelos matemáticos não-determińısticos ou aleatórios, que te- mos considerado, os parâmetros são o que caracterizam a distribuição de probabilidade associada a esse modelo. São exemplos de parâmetros: o valor médio (ou esperança), a va- riância, o desvio padrão, a assimetria e a curtose. 2 / 21 Valor Médio (Valor Esperado, Esperança) Definição 1 Seja X : Ω→ RX uma v.a. discreta que assume os valores x1, . . . , xi, . . . com probabilidades p(x1), . . . , p(xi), . . . , respectivamente. Definimos o valor médio de X, e denotamos por µ ou por E(X), da seguinte maneira µ = E(X) = ∞∑ i=1 xi · p(xi). Observação: O valor médio de X também é chamado de valor esperado ou esperança de X. 3 / 21 Observações (1) A fim de que uma v.a. discreta X possua valor esperado faz-se necessário que a série da definição seja convergente. (2) Caso a série ∑∞ i=1 xip(xi) convirja absolutamente, isto é, ∑∞ i=1 |xi · p(xi)| convirja, o valor esperado de X existe. Por outro lado, se ∑∞ i=1 xi · p(xi) diverge, então a esperança de X não existe. (3) Se a variável X assume um número finito de valores, digamos n, então E(X) existe e o mesmo se reduz a soma finita dada por E(X) = ∑n i=1 xi · p(xi). (4) Não confunda E(X) com o valor mais provável de X, o qual denominamos de valor modal. Note que a esperança de X não é necessariamente um dos valores posśıveis de X. (5) Em geral, E(X) é diferente da média aritmética x. O valor esperado de X, E(X), está relacionado a uma v.a. X, enquanto que a média aritmética, x, está associada a um conjunto de valores observados (amostra). 4 / 21 Exemplo 1 Considere a v.a. X: número de peças produzidas por minuto, cuja função de probabilidade (f.p.) é dada por X = xi 1 2 3 4 p(xi) = P (X = xi) 0,10 0,50 0,25 0,15 Calcule E(X). Temos que, µ = E(X) = 4∑ i=1 xi · p(xi) = 1(0, 10) + 2(0, 50) + 3(0, 25) + 4(0, 15) = 0, 1 + 1 + 0, 75 + 0, 6 = 2, 45 peças por minuto. 5 / 21 Exemplo 2 Um determinado vendedor pode visitar, em um dia, 1 ou 2 clientes, com probabilidades iguais a 1/4 e 3/4, respectivamente. De cada contato, pode resultar a venda de um produto por R$ 1500,00 (com probabilidade 1/5) ou nenhuma venda (com probabilidade 4/5). Se X é a variável aleatória que indica o valor total, em reais, de vendas diárias desse vendedor, obtenha o valor total esperado de vendas diárias do vendedor. 6 / 21 Exemplo 2: Solução. Podemos exibir a f.p. da v.a. X da seguinte maneira: X = xi 0 1500 3000 p(xi) = P (X = xi) 0,68 0,29 0,03 Dáı, µ = E(X) = 3∑ i=1 xi · p(xi) = 0(0, 68) + 1500(0, 29) + 3000(0, 03) = 435 + 90 = 525 reais. 7 / 21 Principais Resultados 1 Dada a v.a. discreta X e a respectiva função de probabilidade p(xi), o valor espe- rado da função h(X) é dado por E[h(X)] = ∑∞ i=1 h(xi) · p(xi). 2 Se X é uma v.a. discreta e a e b são constantes reais quaisquer, então E(aX + b) = aE(X) + b. E(aX) = aE(X). E(b) = b. E(X − µ) = 0, em que µ = E(X). 3 Se tivermos um número finito de v.a. X1, X2, . . . , Xn, então E(X1 +X2 + · · ·+Xn) = E(X1) + E(X2) + · · ·+ E(Xn). 8 / 21 Exemplo 3 Considere a v.a. X: número de peças produzidas por minuto, cuja função de probabilidade (f.p.) é dada por X = xi 1 2 3 4 p(xi) = P (X = xi) 0,10 0,50 0,25 0,15 Calcule (a) E(X2). (b) E(3X + 1). 9 / 21 Exemplo 3: Solução. (a) Temos que, X = xi 1 2 3 4 p(xi) = P (X = xi) 0,10 0,50 0,25 0,15 E(X2) = 4∑ i=1 x2i · p(xi) = 12(0, 10) + 22(0, 50) + 32(0, 25) + 42(0, 15) = 0, 1 + 2 + 2, 25 + 2, 4 = 6, 75 (peças por minuto)2. 10 / 21 Exemplo 3: Solução. (b) Temos que, X = xi 1 2 3 4 p(xi) = P (X = xi) 0,10 0,50 0,25 0,15 E(3X + 1) = 3 E(X) + 1 = 3(2, 45) + 1 = 7, 35 + 1 = 8, 35 peças por minuto. 11 / 21 Variância Definição 2 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]. 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 E(X), quando o mesmo existe. 12 / 21 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. De fato, Var(X) = E[(X − µ)2] = E(X2 − 2Xµ+ µ2) = E(X2)− E(2Xµ) + E(µ2) = E(X2)− 2µE(X) + µ2 = E(X2)− 2µ2 + µ2 = E(X2)− µ2. (3) Se X é uma v.a. discreta com função de probabilidade p(xi) = P (X = xi), i = 1, 2, . . . e média µ = E(X) então Var(X) = E(X2)− µ2, em que E(X2) = ∑∞ i=1 x 2 i p(xi). (4) Dado que Var(X) ≥ 0, definimos o desvio padrão de X por DP(X) = √ Var(X). 13 / 21 Exemplo 4 Considere a v.a. X: número de peças produzidas por minuto, cuja função de probabilidade (f.p.) é dada por X = xi 1 2 3 4 p(xi) = P (X = xi) 0,10 0,50 0,25 0,15 Calcule Var(X) e DP(X). 14 / 21 Exemplo 4: Solução. Temos que, X = xi 1 2 3 4 p(xi) = P (X = xi) 0,10 0,50 0,25 0,15 Var(X) = E(X2)− µ2 = 6, 75− (2, 45)2 = 6, 75− 6, 0025 = 0, 7475 (peças/min)2. DP(X) = √ Var(X) = √ 0, 7475 = 0, 86 peças/min. 15 / 21 Exemplo 5 Um determinado vendedor pode visitar, em um dia, 1 ou 2 clientes, com probabilidades iguais a 1/4 e 3/4, respectivamente. De cada contato, pode resultar a venda de um produto por R$ 1500,00 (com probabilidade 1/5) ou nenhuma venda (com probabilidade 4/5). Seja X uma variável aleatória que indica o valor total, em reais, de vendas diárias desse vendedor, calcule a variância e o desvio padrão da v.a. X. 16 / 21 Exemplo 5: Solução. Temos que a f.p. da v.a. X é dada por X = xi 0 1500 3000 p(xi) = P (X = xi) 0,68 0,29 0,03 Assim, E(X2) = 02(0, 68) + 15002(0, 29) + 30002(0, 03) = 922500 reais2. Portanto, Var(X) = E(X2)− µ2 = 922500− (525)2 = 646875 reais2. Logo, DP(X) = √ Var(X) = √ 646875 = 804, 29 reais. 17 / 21 Propriedade de Variância 1 Se X uma v.a. cuja variância existe e a e b são constantes reais quaisquer, então Var(aX + b) = a2 · Var(X). Justificativa: Seja X uma v.a. tal que Var(X) existe. Definamos a variável, Y = aX + b com a, b ∈ R. Consequentemente, Var(Y ) = E(Y 2)− [E(Y )]2 = E[(aX + b)2]− [E(aX + b)]2 = E[a2X2 + 2abX + b2]− [aE(X) + b]2 = a2E(X2) + 2abE(X) + b2 − a2E2(X)− 2abE(X)− b2 = a2E(X2)− a2E2(X) = a2[E(X2)− E2(X)] = a2Var(X). 18 / 21 Exemplo 6 Considere a v.a. X: número de peças produzidas por minuto, cuja função de probabilidade (f.p.) é dada por X = xi 1 2 3 4 p(xi) = P (X = xi) 0,10 0,50 0,25 0,15 Calcule (a) Var(3X + 1). (b) Var( √ 5X − 1). 19 / 21 Exemplo 6: Solução. De acordo com as propriedades de variância temos, (a) Var(3X + 1) = 32 Var(X) = 9 Var(X) = 9(0, 7475) = 6, 7275. (b) Var( √ 5X − 1) = ( √ 5)2 Var(X) = 5(0, 7475) = 3, 7375. 20 / 21 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. Paulo Freire Num páıs como o Brasil, manter a esperança viva é em si um ato revolucionário. 21 / 21
Compartilhar