Cap´ıtulo
3
Variáveis Aleatórias
Probabilitasenimestgradus ertitudinisetab&a dif-fertutparsatoto.
a
ArsConje tand,JamesBernoulli, parsquarta,Cap. IV,pp. 224-227.
a
Probabilidadeégraude ertezaedifereda erteza abso-lutaassim omoapartediferedotodo.
3.1 Introdução
Emumexperimento aleatórioointeressequesetem,usualmente,nãoéno resultadopropriamentedito,masemalgumamedidaouatributonuméri o. Por exemplo,em
n
jogadasdeuma moedapode-seestarinteressadononúmerode arasenãonaordemespe i aemqueo orrem arase oras.Emumprograma de omputadores olhidoaleatoriamente,pode-seestarinteressadoapenasnosei tempodeexe ução. Idempara uma irurgia.Notequeem adaumdestesexemplos,umamedidaatribuiumvalor numé-ri oaoresultadodoexperimentoaleatório. Comoosresultadossãorandmi os, osresultadosdasmedidas tambémserãorandmi os. Dessa forma,fazsentido falardasprobabilidadesdosresultadosnuméri osresultantesestaremem ertas faixasdevalores.
3.2 Con eito variável aleatória
O on eito de variável aleatória está intimamente ligado ao de probabili-dade,atravésdo on eitodefunção. Nestesentidoofenmenoprobabilidadeé representadoporumespaçoamostral,umaálgebradeeventoseumamedidade probabilidade, omofoivisto noCapítulo2. Assim,opro essodemensuração davariáveldeinteresse(e.g.,tensão, orrente,potên ia,tráfegotelefni o,
trá-arterial,et .) é onsiderado omoumexperimentoaleatórioeosresultados ob-tidos(valoresregistrados)sãopontosdesteespaçoamostral. Pra adapontodo espaçoamostralasso ia-sepoisumvalornuméri o;umnúmeroreal[3℄. Assim, deni-se:
Denição 3.1 Umavariável aleatóriaéuma função queasso iaa ada resul-tadodo espaçoamostral
Ω
de um experimentoaleatórioum númeroreal.AFigura3.1ilustraaDenição 3.1.
x
Ω
X
Ω
ω
Figura3.1: IlustraçãodeVariávelAleatória.
A variávelaleatória
X
édenidadaseguintemaneira:X :Ω
→ R
ω
7→ X(ω) = x
isto é,para ada ponto doespaçoamostral,
ω
,estáasso iadoumvalorrealx
, umnúmeroentremenosinnitoemaisinnito.Exemplo 3.2Suponha o seguinte experimento: lançamento de uma moeda três vezes e anotarasequên iade aras(
K
)e oroas(C
)obtida. Oespaçoamostraldesseexperimento é:Ω =
{CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK}.
Seja
X
onúmerode arasobtidasnostrêslançamentosdamoeda.Xatribuia adaresultadoω
∈ Ω
um número do onjuntoΩ
X
=
{0, 1, 2, 3}
. ATabela 3.1mostra os oito possíveis resultadosemΩ
eosrespe tivosvaloresdeX
.Tabela3.1: Variávelaleatóriarepresentandoonúmerode arasemtrêsjogadas deumaumamoedajusta.
ω
KKK KKC KCK KCCX(ω)
3 2 2 1ω
CKK CKC CCK CCCX
éportanto umavariável aleatóriaquetem argumentos emΩ
eque tomavaloresno onjuntoΩ
X
=
{0, 1, 2, 3}
.Considere,
Probabilidadededar ara
= p;
Probabilidadededar oroa= 1
− p;
Lançamentosindependentes!.
⋄
Exemplo 3.3Avariávelaleatóriamaisbási aqueexisteéa hamadavariávelaleatóriade Bernoulli,ouvariáveldeBernoulli,emhomenagemaJamesBernoulli(1654-1705)
1
.Oespaço amostralédadopor:
Ω =
{ω
1
, ω
2
}.
Avariávelédenidapor:
X(ω) = 1
seω = ω
1
;
X(ω) = 0
seω = ω
2
.
Amaneirausualdedes reverestavariávelaleatóriaédizendoqueumdeterminadoresultado deinteresseo orreuounão.Quandoo orreu,istoé,quando
ω = ω
1
,diz-sequehouvesu esso. Neste aso,X(ω
1
) = 1
.Fala-seentãodaprobabilidadedesu esso,P (X(ω) = 1) = p
.Deuma maneirageral,avariáveldeBernoullirepresenta asdi otomias, omo araou oroa,homem oumulher,ganhouounãoganhou,umsinalestáounãoestápresente,et .⋄
3.3 Função de distribuição de probabilidade
Afunçãodistribuiçãode probabilidade(F.D.P.), também hamadade fun-ção distribuição umulativa, de uma variável aleatória
X
, é denida omo a probabilidadedoevento{X ≤ z}
. Assim,F
X
(x) = P [X
≤ x], x ≤ R.
Isto é,o valorda função dedistribuiçãoda variável aleatória
X
no pontox
é igualàprobabilidadedo onjuntodetodososω
'sdoespaçoamostral(eportanto ara terizamumevento)taisqueos orrespondentesvaloresdavariávelaleatória sejam todos menores ou iguais ax
, em outras palavras, é a probabilidade de queavariávelaleatóriaX
assumavaloresno onjunto(
−∞, x]
.3.3.1 Propriedades da função de distribuição
1.
0
≤ F
X
(x)
≤ 1
.Demonstração: Como
F
X
(x)
éuma probabilidade a umulativa, uma função não de res entes,ouseja,f
X
(x)
énãonegativa,verFigura3.2,oresultadoéimediato.•
1Notea oin idên ia: Bernoullinas eunomesmoanoda élebre orrespondên iadePas al paraFermat-PiérreFermat, onsideradopormuitoso"Prin ipedosmatemáti os"nas euem Françaem1601,foimagistradoemToulouseematemáti onashorasvagas.Em1623,também emFrança,nas euBlaisePas al, matemáti o,físi oelósofo,responsávelpelainvençãoda primeiramáquinade al ular. Reunidosnumepisódio élebre,estesdoismatemáti osforam os grandes riadores daTeoriadas Probabilidades. Tratandodeumproblemamatemáti o, Pas alapresentaparaFermatdesen adeandoentãoumatro ade orrespondên iaentrePas al
2.
F
X
(x)
éumafunçãomonotni anãode res ente,istoé,sex
1
≤ x
2
entãoF
X
(x
1
)
≤ F
X
(x
2
)
. Demonstração:Tem-se:x
1
≤ x
2
⇒ {ω ∈ Ω| − ∞ < X(ω) ≤ x
1
} ⊂
⊂ {ω ∈ Ω| − ∞ < X(ω) ≤ x
2
}
eportanto,P (
{ω ∈ Ω| − ∞ < X(ω) ≤ x
1
}) ≤
≤ P ({ω ∈ Ω| − ∞ < X(ω) ≤ x
2
})
ouseja,F
X
(x
1
)
≤ F
X
(x
2
).
•
3.lim
x→∞
F
X
(x) = 1
.Demonstração:Deni-seosímbolo
F
X
(+
∞)
porF
X
(+
∞) = lim
x→+∞
F
X
(x).
Essapassagemaolimitequando
x
→ +∞
podeserfeita onsiderando-seumasequên ia denúmerosreais{x
i
}
+∞
i=1
monotni anãode res ente,istoé,paratodoi
(x
i
≤ x
i+1
) talquelim
i→∞
x
i
= +
∞
.Segue-seentãoqueF
X
(+
∞) = lim
i→∞
P (X
∈ (−∞, x
i
]).
Peladeniçãodasequên ia
{x
i
}
+∞
i=1
,segue-seque(
−∞, x
i
]
⊂ (−∞, x
i+1
],
eportanto,peloteoremada ontinuidadeparafunções,tem-se,
lim
i→∞
P (X
∈ (−∞, x
i
]) = P ( lim
i→∞
(X
∈ (−∞, x
i
])).
Asequên iadosintervalos
(
−∞, x
i+1
]
émonotni anãode res ente eportanto,lim
limi→∞
P
(X∈(−∞,xi])
(
−∞, x
i+1
] =
∞
[
i=1
(
−∞, x
i+1
] = (
−∞, +∞),
ouseja,F
X
(+
∞) = P (X ∈ (−∞, +∞)) = 1.
•
4.lim
x→−∞
F
X
(x) = 0
.Demonstração:Deni-seosímbolo
F
X
(
−∞)
porF
X
(
−∞) = lim
x→−∞
F
X
(x).
Demaneirasimilaraoquefoifeitono asoanterior,estapassagemaolimitequanto
x
→
∞
podeserfeita onsiderando-seumasequên iadenúmerosreais{x
i
}
+∞
i=1
monotni a não res ente,istoé,paratodoj
(x
ij
≥ x
j+1
),talquelim
j→−∞
x
j
=
−∞
.Orestante dademonstraçãoéinteiramentesimilarao asoanterior.•
5. Considere-se
a, b
∈ R
tais quea
≤ b
. Então,F
X
(b) = F
X
(a) + P (X
∈ (a, b]).
Demonstração:Parti ionandoointervalo
(−∞, b]
daseguintemaneira:(
−∞, b] = (−∞, a] ∪ (a, b],
emque
(a, b] =
{x ∈ R|a < x ≤ b}
.PeloaxiomadaaditividadedeKolmogorov,ter-se-áP (X
∈ (−∞, b]) = P (X ∈ (−∞, a]) + P (X ∈ (a, b]),
ouseja,
F
X
(b) = F
X
(a) + P (X
∈ (a, b]),
quepodeseres rita omo,
P (X
∈ (a, b]) = F
X
(b)
− F
X
(a),
verFigura3.3.
•
5. Considere-se
a, b
∈ R
tais quea
≤ b
. Então,P (X > x) = 1
− P (X ≤ x) = 1 − F
X
(x).
Demonstração:PeladeniçãodefunçãodedistribuiçãoedoCorolário2.1tem-sea
propriedade.
•
0.5
1.0
0
1
−1
−2
x
f
X
(x)
x x + dx
Figura 3.2: IlustraçãodaPropriedade 1 daFunção Distribuiçãode Probabili-dade.
Exemplo3.4Considereolançamentodeumamoedatrêsvezes. Seja
X
avariávelaleatória que asso ia o resultado om o número de aras obtido. En ontre a expressão da função distribuiçãodeprobabilidade(F
X
).0.5
1.0
0
1
−1
−2
x
f
X
(x)
a
b
Figura 3.3: Ilustraçãoda Propriedade 5da Função Distribuição de Probabili-dade.
ω
KKK KKC KCK KCCX(ω)
3 2 2 1ω
CKK CKC CCK CCCX(ω)
2 1 1 0 Logo,P (X = 0) =
1
8
;
P (X = 1) =
3
8
;
P (X = 2) =
3
8
;
P (X = 3) =
1
8
.
Assim,F
X
(x) =
0, x
≤ 0;
1
8
, 0
≤ x < 1;
4
8
, 1
≤ x < 2;
7
8
, 2
≤ x < 3;
1, x
≥ 3.
Logo,F
X
(x) = 0 +
1
8
u(t) +
3
8
u(t
− 1) +
3
8
u(t
− 2) +
1
8
u(t
− 3),
emque,u(t)
,
1,
t > 0
0,
t < 0
,
(3.1) verFigura3.4.⋄
Exemplo3.5Seja
X
otempodetransmissãodeumamensagematravésdeumsistemade omuni ação. ConsiderequeX
obede eàseguinte leideprobabilidade:P (X > x) = e
−λx
,
λ > 0
ex
≥ 0
.1.0
2.0
0
1
−1
−2
x
u(x)
Figura3.4: Grá odaFunçãodegrauunitário.
b. En ontre
P (
1
λ
< X <
2
λ
)
. Solução: a.F
X
(x) = P (X
≤ x) = 1 − P (X > x) = 1 − e
−λx
,x
≥ 0
. Sex < 0
⇒ P (X ≤ x) = 0
. Logo,F
X
(x) =
0, x < 0
1
− e
−λx
, x
≥ 0
.
b.P (
1
λ
< X <
2
λ
) = F
X
2
λ
− F
X
1
λ
= (1
− e
−2
)
− (1 − e
−1
)
≃ 0, 233.
⋄
3.4 Função densidade de probabilidade
A função densidade de probabilidade da variável aleatória
X
é a taxa de res imento,nopontox
,dasuafunçãodedistribuição. Emtermosmatemáti os, sejaX
uma variável aleatória ontínua omF
X
(x)
, logo, deni-se a função densidade de probabilidade (f.d.p.) davariávelaleatóriaX
omoaderivadada funçãodedistribuiçãoF
X
(x)
daforma:f
X
(x) =
dF
X
(x)
dx
.
Afunçãodensidade de probabilidade representaadensidadedaprobabilidade noponto
x
noseguintesentido:aprobabilidadedequeX
estejaemumpequeno intervalonavizinhança deX
,isto é,{x < X ≤ x + h}
,logo,P (
{x < X ≤ x + h}) = F
X
(x + h)
− F
X
(x) =
F
X
(x + h)
− F
X
(x)
h
· h
=
lim
h→0
F
X
(x + h)
− F
X
(x)
h
· h
Parah
→ 0
,tem-seP (
{x < X ≤ x + h}) = F
′
X
(x)
· h
,assim, aprobabilidade deX
estarpróximoex
éf
X
(x)
· h
.3.4.1 Propriedades da função de distribuição
1.
f
X
(x)
≥ 0
, ou seja, o valor da função densidade em qualquer ponto é semprenãonegativo.Demonstração:
F
X
(x)
éuma função nãode res ente, oque impli a quea funçãodensidadeénãonegativa,pordenição.
•
2.
F
X
(x) =
R
x
−∞
f
X
(u)du
.Demonstração:Seguedadeniçãodafunçãodensidade
f
X
(x)
eF
X
(
−∞) = 0
.•
3.R
∞
−∞
f
X
(x)dx = 1
.Demonstração:VemaPropriedade(2.) edeque
F
X
(
∞) = 1
.•
4.
P (a < X
≤ b) =
R
b
a
f
X
(x)dx
. Demonstração:Tem-se,P (a < X
≤ b) = P (X ≤ b) − P (X ≤ a)
= F
X
(x = b)
− F
X
(x = a) =
Z
b
a
f
X
(x)dx
•
Exemplo3.6Afunçãodensidadedeprobabilidadedeumavariávelaleatóriaédadopor:
f
X
(x) =
1
b−a
, a
≤ x ≤ b;
0, x < a
ex > b.
sendoa, b
∈ R
.En ontreF
X
(x)
. Solução:Tem-se:•
Sex < a
⇒ F
X
(x) = 0
.•
Sea
≤ x ≤ b ⇒ f
X
(x) =
R
b
a
1
b−a
dt =
x−a
b−a
.•
Sex < a
⇒ F
X
(x) = 0
. Assim,F
X
(x) =
0, x < a
x−a
b−a
, a
≤ x ≤ b;
0, x > b.
⋄
3.5 Variáveis aleatórias dis retas
X
éditaumavariáveldis retaseΩ
X
foruma onjunto ontávelΩ
X
{x
1
, x
2
, . . .
}
. Considera-seΩ
X
nitoseΩ
X
{x
1
, x
2
, . . . , x
n
}
.Exemplo3.7Umafonteproduzdoistiposdemensagens:
M
1
, omprobabilidadep
deo orrer eM
2
, omprobabilidade1
− p
.SejaX
avariávelaleatóriadenidaporX(k) =
0, k = M
1
1, k = M
2
.
En ontreaexpress.aodeF
X
(x)
. Solução:F
X
(x) =
0, x < 0;
p, 0
≤ x < 1;
1, c
≥ 1.
Assim,F
X
(x) = P (X = 0)u(x) + P (X = 1)u(x
− 1) = pu(x) + (1 − p)u(x − 1).
Exemplo 3.8Suponhaquetrês hamadas hamadassãoobservadasemum omutador te-lefni o,emque hamadasdevoz(
v
)e hamadasdedados(d
)sãoequiprováveis.• X =
númerode hamadasdevoz;• Y =
númerode hamadasdedados;• R = X · Y
. Resultadosddd
ddv
dvd
dvv
vdd
vdv
vvd
vvv
P (·)
1/8
1/8
1/8
1/8
1/8
1/8
1/8
1/8
X
0
1
1
2
1
2
2
3
Y
3
2
2
1
2
1
1
0
R
0
2
2
2
2
2
2
0
⋄
Antesdeaprofundaroestudodevariáveisdis retasébomrevisaro on eito defunçãoimpulsooufunçãodelta deDira .
3.5.1 Função Impulso ou Delta de Dira
Afunçãopulso,
δ
∆
,édenidaporδ
∆
:R
−→ R
x
7−→ δ
∆
(x).
Emque,δ
∆
(x
− x
1
) =
0
parax < x
1
1
∆
parax
1
≤ x < x
1
+ ∆
0
parax
≥ x
1
+ ∆
AFigura3.5mostraaformadestafunção. Notequeaáreasobopulsoéigual a
1
paraqualquervalorde∆
oux
1
.1
∆
∆
δ
∆
(x
− x
1
)
x
x
1
x
1
+ ∆
Figura3.5: FunçãoPulso.
Quando
∆
aproxima-sedezero,afunção limiteédadopor:δ(x
− x
1
)
, lim
∆→0
δ
∆
(x
− x
1
),
é hamadafunçãoimpulso, oufunção delta de Dira ,ou simplesmente função delta
2 . 2
Algumaspropriedadesimportantes da função
δ(x)
[2℄ a. Multipli açãodeumafunçãoporumimpulso
g(x)δ(x) = g(0)δ(x)
;
g(x)δ(x
− x
0
) = g(x
0
)δ(x
− x
0
)
.b. Propriedade daamostragemdafunçãoimpulsounitário
R
∞
−∞
g(x)δ(x)dx = g(0)
;R
∞
−∞
g(x
− x
0
)δ(x)dx = g(x
0
)
.. Funçãodegrauunitárioédenida daforma:
u(t) =
1, t
≥ 0
0, t < 0
.
Como já denido e ilustradona Figura 3.4. Se desejar-se que um sinal ome e em
t = 0
, pode-se multipli á-lo poru(t)
. Por exemplo, o sinale
−αt
representa umaexponen ialque omeçaem
t =
−∞
. Se desejar-se que ele seini ie emt = 0
, pode-sedes revê-lo pore
−αt
u(t)
. Umgrá o deste sinalémostradonaFigura3.6
3 .
3.5.2 Função de massa de probabilidade
Seja
X
,umavariávelaleatóriadis reta. Afunçãodemassadeprobabilidade (f.m.p)deX
édadopor:P
X
(x) = P (X = x).
Exemplo 3.9 Para o exemploanterior, qual é função de massa de probabilidade de
R
? Solução:• R = 0
,Resultado:ddd
ouvvv
;• R = 0 ⇒ P (R = 0) = P (ddd) + P (vvv) =
1
4
;• P (R = 2) =
6
8
. Logo,P
R
(r) =
1/4, r = 0
3/4, r = 2
0,
. .⋄
31.0
2.0
0
1
−1
−2
x
u(x)
1.0
2.0
0
1
−1
−2
x
u(x)
Figura3.6: Grá odaFunçãoDegrauUnitárioeFunçãoExponen ial.
3.5.3 Exemplos de variáveis aleatórias dis retas Variável aleatória de Bernouilli
Avariávelaleatóriamaisbási aqueexisteéa hamadavariávelaleatóriade Bernoulli,ouvariáveldeBernoulli. Comovisto,oespaçoamostralédadopor:
Ω =
{ω
1
, ω
2
}.
Avariávelédenidapor:
X(ω) = 1
seω = ω
1
;
X(ω) = 0
seω = ω
2
.
A maneira usual de des reveresta variável aleatóriaé dizendo que um deter-minado resultadodeinteresseo orreuounão. Quandoo orreu,istoé,quando
ω = ω
1
, diz-se que houvesu esso. Neste aso,X(ω
1
) = 1
. Fala-seentão da probabilidadedesu esso,P (X(ω) = 1) = p
.OutraformardedeniravariávelaleatóriadeBernouillié: seja
A
umevento rela ionadoaosresultadosdealgumexperimentoaleatório. Afunçãoindi atriz doeventoA
édenidapor:I
A
(ξ) =
0,
seξ
∈ A
1,
seξ
∈ A
Assim,
I
A
(ξ) = 1
se o eventoA
o orre e zero aso ontrário. Deni-se uma variávelaleatóriaX = I
A
e hama-seessavariávelaleatóriadevariávelaleatória deBernouilli. Observe, omojádes rito,queΩ
X
=
{ω
1
= 0, ω
2
= 1
}
. Es olhe-seP
X
(0) = p
eP
X
(1) = q = 1
− p
. Assim,P
X
(x) = 0
,x
6= 0, 1
. Logo, pode-se es rever:F
X
(x) = p
X
(0)u(x) + p
X
(1)u(x
− 1) = pu(x) + (1 − p)u(x − 1);
f
X
(x) = pδ(x) + (1
− p)δ(x − 1)
Exemplo3.10Testedeuma ir uitopossuiprobabilidade
p
deserrejeitado.Denaafunção demassadeprobabilidadedeX
,seX
foronúmerode ir uitosrejeitadosemumteste. Solução:Tem-sedoispossíveisresultados,seX = 1
o ir uitofoirejeitado omprobabilidadep
,ouX = 0
,o ir uitonãofoirejeitado omprobabilidade1
− p
. Considerandop = 0, 2
,tem-se:P
X
(x) =
0, 8, x = 0
0, 2, x = 1
.
⋄
Variável aleatóriabinomial
Considere que um experimento aleatório seja repetido
n
vezes. SejaX
o númerode vezesque um ertoeventoA
o orrenessasn
tentativas.X
éuma variávelaleatória omΩ
X
=
{0, 1, . . . , n}
.Considere
I
j
afunçãoindi atrizparaoeventoA
naj
-ésimatentativa. Assim,X = I + 1 + I
2
+
· · · + I
n
. Xé hamadadevariávelaleatóriabinomial,emque afunçãodemassadeprobabilidadeédaforma:P
X
(k) = P (X = k) =
n
k
p
k
(1
− p)
n−k
, k = 0, 1, . . . , n;
emque
P (X = k)
éaprobabilidadedeseobterk
su essosemn
tentativas. Dessa forma,deni-se:F
X
(x) =
n
X
k=0
n
k
p
k
(1
− p)
n−k
u(x
− k);
ef
X
(x) =
n
X
k=0
n
k
p
k
(1
− p)
n−k
δ(x
− k).
Essa variável aleatória surge em apli ações onde há dois tiposde objetos: ara/ oroa, erto/errado,bom/defeituoso,et .
Exemplo3.11Umtestedeuma ir uito possuiprobabilidade
p
deserrejeitado. Denaa funçãodemassadeprobabilidadeno asodeserealizar10
testes.Solução:
10
testesde ir uitos omprobabilidadep = 0, 2
,tem-se:P
X
(x) =
10
k
(0, 2)
k
(0, 8)
10−k
.
⋄
Variável aleatória geométri a
Seja
X
a variável aleatória orrespondente ao número de tentativas até a o orrên ia de um su esso, ou seja, a o orrên ia do evento observado.X
é hamadavariávelaleatóriageométri aeΩ
X
=
{1, 2, . . .}
. Desssaforma,tem-seP
X
(x) = P (X = k) = (1
− p)
k−1
p
,emquek = 1, 2, . . .
,sendop
aprobabilidade desu essoem adatentativa( hamadadetentativadeBernouilli).Logo,deni-se:
F
X
(x) =
+∞
X
k=0
(1
− p)
k−1
pu(x
− k);
ef
X
(x) =
+∞
X
k=0
(1
− p)
k−1
pδ(x
− k).
Variável aleatória de Poisson
X
é dita uma variável aleatória de Poisson (α
) se sua função massa de probabilidadefordenidadaseguinteforma:P
X
(x) = P (X = x) =
α
x
x!
e
−α
, x = 0, 1, . . .
emque
α
éonúmeromédiodeo orrên iasdoeventoemumintervalodetempo espe i ado.Exemplo3.12
•
Númerode lientesque hegamaum aixadesupermer ado;•
Númerodea identes omautomóveisemumadeterminadaestrada;•
Númeroderequisiçõesparaumservidoremumintervalodetempo.⋄
Logo,deni-se:F
X
(x) =
+∞
X
k=0
α
k
k!
e
−α
u(x
− k);
ef
X
(x) =
+∞
X
k=0
α
k
k!
e
−α
δ(x
− k).
Observação: AfunçãomassadeprobabilidadedePoissonéaformalimitedafunçãomassa de probabilidade de binomialquando o númerode tentativas deBernoulli setorna muito grandeeaprobabilidadedesu esso(
p
)é onsideradamuitopequena,talqueα = np
.Assim pode-sedemonstrar:P
X
(x) = P (X = x) = p
x
(1
− p)
x−k
∼
=
n→∞
α
x
x!
e
−α
.
•
Exemplo3.13Aprobabilidadedeo orrererroemumbitemumalinhade omuni açãovale
10
−
3
3.6 Variáveis aleatórias ontínuas
Umavariávelaleatória
X
édita ontínuaseexistirumafunçãof
,denotada funçãodensidadedeprobabilidadedeX
,quesatisfaçaasseguintes ondições:• f
X
(x)
≥ 0
,∀x
;•
R
+∞
−∞
f
X
(x)dx = 1
;•
Para quaisquer valoresa
eb
, om−∞ < a < b < +∞
, tem-se queP (a
≤ X ≤ b) =
R
b
a
f
X
(x)dx
Outra denição para uma variávelaleatória ontínua
X
équeX
possua uma funçãodensidadedeprobabilidade(F
X
(x)
) ontínua.3.6.1 Exemplos de variáveis aleatórias ontínuo Variável aleatóriauniforme
A função distribuiçãode probabilidadede uma variável aleatóriauniforme
X
édadapor,f
X
(x) =
1
(b
− a)
a
≤ x ≤ b, a < b
0,
. ..
emque
a, b
∈ R
,efunçãodistribuiçãodeprobabilidadeF
X
(x) =
0,
x < a
x
− a
b
− a
, a
≤ x ≤ b
1,
x > b
.
VerFigura3.7. Essavariávelaleatóriaapare equanto todososvaloresnareta real,nointervalo
[a, b]
,sãoigualmente prováveis.Exemplo3.14Seja
X
amedidadetensãoderuídoemumdeterminadopontodeum ir uito omasseguintes probabilidades:P (
|X| ≤ V ) = 1
eP (
|X| > V ) = 0
. En ontre aexpressão dafunçãodistribuiçãodeprobabilidade(F
X
(x)
)davariávelaleatóriaX
, onsiderandoqueas probabilidadesdasvariávelX
sãouniformementedistribuídasnointervalo[
−V, V ]
.Solução: Sabe-se:•
Sex <
−V
,entãoP (X
≤ x) = 0
;•
Se−V ≤ x ≤ V
,entãoP (X
≤ x) =
R
x
−V
1
2V
dt =
x+V
2V
;•
Sex > V
,entãoP (X
≤ x) =
R
V
−V
1
2V
dt = 1
. Assim,F
X
(x) =
0, x <
−V ;
x + V
2V
,
−V ≤ x ≤ V ;
1, x > V.
⋄
1.0
2.0
0
1
2
−1
x
f
X
(x)
1
b−a
a
b
1.0
2.0
0
1
2
−1
x
F
X
(x)
a
b
Figura3.7: Funçãodistribuiçãodeprobabilidadedeumavariávelaleatória Uni-forme.
Variável aleatória exponen ial
A função distribuiçãode probabilidade da variávelaleatória exponen ial é denida por
f
X
(x) =
λe
−λx
x
≥ 0, λ > 0
0,
. ..
Sendo
λ
umnúmeroreal.Pode-se itar algumas apli ações para a variávelaleatória exponen ial, sa bar:
•
Estudo dateoria de lar, e.g., tempo entre hegada dos lientes em um ban o);•
Duraçãode onversaçõestelefni asenumarededetelefonia. Variável aleatória gaussianaA urva normal (ou Gaussiana) é um dos mais importantes elementos da inferên ia estatísti a. O seu uso des revea distribuição de probabilidades de variáveisaleatórias ontínuasligadasamuitosfenmenosaleatórios. Nesta dis-tribuição,amédia oin ide omamedianaemodasendoportantoadistribuição simétri aemtornodesuatendên ia entral. Emgeralmedidasfísi as apresen-tamdistribuiçãonormaltais omo: peso,altura,pressaosistóli a,temperatura ediâmetrodepeças.
édenidapor
f
X
(x) =
1
√
2πσ
exp
−
(x
− µ)
2
2σ
2
.
em que,µ
eσ
2
são reais, e são hamadas de média e variân ia da variável aleatóriagaussiana
X
,respe tivamente. VerFigura3.8.0.25
0.50
0.75
1.00
0
1
2
3
4
−1
x
y
σ = 0, 5, µ = 2
σ = 1, µ = 2
f
X
(x) =
1
σ
√
2π
exp
−
(x
− µ)
2
2σ
2
Figura 3.8: Função distribuição de probabilidade de uma variável aleatória Gaussiana.
Para al ular a função distribuição de probabilidade da variável aleatória gaussiana
X
,tem-se:F
X
(x) =
Z
x
−∞
1
√
2πσ
exp
−
(x
− µ)
2
2σ
2
.
X
é dita uma variável aleatóriagaussianaNormal Padrão seµ = 0
eσ
2
= 1
(
X
N (0, 1)
). Assim onsidereafunçãoΦ
denida daforma:Φ(t) =
√
1
2π
Z
x
−∞
e
−
t2
2
dt.
Notequeafunção
Φ(t)
éafunçãodistribuiçãodeprobabilidadedavariável ale-atóriagaussianaNormalPadrão,logo,pode-serees reverafunçãodistribuição deprobabilidadedavariávelaleatóriagaussianaX
emfunçãodeΦ(t)
,daforma:F
X
(x) = Φ
x
− µ
σ
.
Pode-seaindadeniroutrafunção hamada
erf
,daforma:erf (t) =
√
1
2π
Z
x
0
Assim,
Φ(t) =
√
1
2π
Z
x
−∞
e
−
t2
2
dt;
=
√
1
2π
Z
0
−∞
e
−
t2
2
dt +
√
1
2π
Z
x
0
e
−
t2
2
dt;
=
1
2
+
1
√
2π
Z
x
0
e
−
t2
2
dt;
=
1
2
+ erf (t);
logo,F
X
(x) = Φ
x
− µ
σ
=
1
2
+ erf
x
− µ
σ
.
Para al ularafunçãodistribuiçãoa umulativadavariávelaleatória gaus-siana
X
,sabe-se quefunçãodensidadedeprobabilidadef
X
(x)
denidaporf
X
(x) =
1
√
2πσ
exp
−
(x
− µ)
2
2σ
2
, x
∈ R.
Logo,afunçãodistribuiçãodeprobabilidadeédenida por
F
X
(x) =
1
2
+ erf
x
− µ
σ
.
Observação: Função
Q
-Pode-sedeniroutrafunção, hamadafunçãoQ
daforma:erf (x) =
√
1
2π
Z
+∞
x
exp
−
t
2
2
dt.
Dessa forma,pode-se al ulara probabilidade da variável aleatória gaussiana
X
da formaP (X > x)
daseguintemaneira: SejaX
N (0, 1)
,assim,tem-se:P (X > x) =
Z
+∞
x−µ
σ
1
√
2π
exp
−
t
2
2
dt = Q
x
− µ
σ
.
ComoP (X > x) = Q
x−µ
σ
eP (X
≤ x) = Φ
x−µ
σ
,logoQ(ξ) = 1
− Φ(ξ)
. Propriedades deQ(X)
: 1.Q(0) = 1/2
; 2.Q(
−x
0
) = 1
− Q(x
0
)
. FIGURA•
Existemoutrasvariáveisaleatóriasigualmenteimportantes,dependendoda áreadeapli ação, omo,porexemplo,asvariáveisaleatóriasdeRayleigh,RICE, Nakagami, Gammaeoutras. E, ainda,variáveisaleatóriasprovenientesde va-riáveisaleatórias onhe idas, omoalognormalealogRayleigh. Serádis utido
3.7 Variável aleatória mista
Frequentemente, em muitos ontextos surgem as hamadas variáveis alea-tóriasmistas, quesão aquelas ujasfunções distribuiçãode probabilidade são des ontínuaem um onjunto nito de pontos e res e ontinuamente em pelo menosum intervalo, ouseja, ontínuaporpartes. Exemplosforam usadosem queasfunçõesdistribuiçãode probabilidadesão ontínuasemtodasaspartes. Viu-se tambémque as funções dedistribuiçãode variáveisaleatóriasdis retas sãofunçõesdegrau. Logo,surge umapergunta: Seriapossível de omporuma funçãoarbitráriadedistribuiçãodeprobabilidadeemapenasduaspartes,uma quefosse ontínuaemtodaparteeoutraquefosseumafunçãodegra?
Defatoépossível,assim,seja
X
umavariávelaleatória omumafunçõesde distribuiçãoprobabilidadeF
X
quetemnãomaisqueumaquantidade enumerá-veldepontosde des ontinuidade deprimeiraespé ie,x
k
,k = 1, 2, 3, . . .
, eque nãosejane essariamente onstantesentreossaltos.Ossaltosdafunçãodedistribuiçãodeprobabilidade
F
X
têmvaloresdados porP (X = x
k
)
. AfunçãodegrauD
X
(x)
,
∞
X
k=1
P (X = x
k
)u(x
− x
k
);
temexatamenteasmesmasdes ontinuidadesdesalto(primeiraespé ie)quetem afunçãodedistribuiçãodeprobabilidade
F
X
. Subtraindo-adeF
X
obtém-se:C
X
(x)
, F
X
(x)
− D
X
(x);
emque
D
X
éumafunçãodes ontínuaeC
X
é ontínuaemtodaparte. Note-se quetantoD
X
quantoC
X
sãofunçõesmonotni asnão de res entes ontadas. Segue-seentãoque todafunçãodedistribuiçãodeprobabilidadeéou ontínua emtodaparte,ouumafunçãodegrau,oude ompostaemduaspartes,umaque é ontínuaemtodaparteeoutraqueéumafunçãosalto.Exemplo3.15Seja
X
amedidadetensãoderuídoemumdeterminadopontodeum ir uito, omasseguintesprobabilidades:• P (X = −V ) = P (X = V ) =
1
8
;• P (|X| < V ) =
3
4
;• P (|X| > V ) = 0
.Es reva aexpressão da função distribuiçãodeprobabilidade (
F
X
) da variávelaleatóriaX
, onsiderandoqueavariávelaleatóriaX
édistribuídauniformementeem(−V, V
).Solução:
•
Sex <
−V
,entãoF
X
(x) = 0
;•
Sex =
−V
,entãoF
X
(x) = P [X
≤ x] =
1
8
;•
Se−V < x < V
,entãoF
X
(x) =
1
8
+
R
x
−V
8V
3
dt =
1
8
+
8V
3
(x + V )
;•
Sex = V
,entãoF
X
(x) =
7
8
;•
Sex > V
,entãoF
X
(x) = 1
.Assim,
F
X
(x) =
x <
−V, F
X
(x) = 0
x =
−V, F
X
(x) =
1
8
−V < x < V, F
X
(x) =
8V
3
x +
1
2
x = V, F
X
(x) =
7
8
x > V, F
X
(x) = 1
⋄
3.8 Funções de Variáveis Aleatórias
3.8.1 Caso Geral
Seja
X
umavariávelaleatória omfunçãodistribuiçãodeprobabilidadeF
X
e função densidade de probabilidadef
X
(x)
, e sejag
uma função mensurável,g : Ω
X
→ Ω
Y
. Tem-se entãoY = g(X)
, em queY
também é uma variável aleatória.3.9 Operações em Variáveis Aleatórias
3.9.1 Valoresperado (ou médio)de umavariávelaleatória Valor esperado é o nome dado ao pro esso de tomar uma média quando uma variávelaleatóriaestáenvolvida. Para umavariávelaleatória
X
,usa-sea notaçãoE(X)
,quepodeserlida omoaesperançamatemáti adeX
,ovalor esperadodeX
,ovalormédiodeX ouaindaamédiaestatísti adeX
[3℄.Ini ialmente,seja
X
umavariávelaleatóriadis reta,dessaforma, onsidera-sequeX
assumeosvalores{x
1
, x
2
, . . . , x
k
}
. Tambémsuponhaqueaexperiên ia asso iadaaestavariávelaleatóriaX
tenhasidorealizadaN
vezes equen(x
i
)
represente onúmerodevezesem queoevento{X = x
i
}
o orreu. Utilizandoo on eitodefrequên iarelativa,obtém-se,P (X = x
i
) =
n(x
i
)
N
, i = 1, 2, . . . , k.
Logo,amédiaaritméti ados
N
resultadosdaexperiên iaédadaporE(X) = m
X
=
k
X
i=1
x
i
n(x
i
)
N
=
k
X
i=1
x
i
P (X = x
i
).
Parao asodevariávelaleatória ontínuas,tem-se:
E(X) = m
X
=
Z
∞
−∞
xf
X
(x)dx.
Exemplo3.16ConsidereavariáveldeBernoullidenidapor:
X(ω) = 1
seω = ω
1
;
Amaneirausualdedes reverestavariávelaleatóriaédizendoqueumdeterminadoresultado deinteresseo orreuounão. Quandoo orreu,istoé,quando
ω = ω
1
,diz-sequehouvesu esso. Neste aso,X(ω
1
) = 1
. Fala-se então da probabilidade desu esso,P
X
(X(ω) = 1) = p
eP
X
(X(ω) = 0) = 1
− p
.Logo,E(X) = m
X
=
k
X
i=1
x
i
P (X = x
i
)
= 0
· P
X
(X(ω) = 0) + 1
· P
X
(X(ω) = 1)
= 0
· (1 − p) + 1 · p = p.
⋄
Exemplo3.17Considereavariávelaleatóriauniformemente omdensidadedeprobabilidade denidapor:
f
X
(x) =
1
(b
− a)
a
≤ x ≤ b, a < b
0,
. .,
emque
a, b
∈ R
,efunçãodistribuiçãodeprobabilidadeF
X
(x) =
0,
x < a
x
− a
b
− a
,
a
≤ x ≤ b
1,
x > b
.
Para al ularovaloresperado(oumédio)deumavariávelaleatóriauniforme
X
,tem-se:E(X) = m
X
=
Z
∞
−∞
xf
X
(x)dx;
=
Z
∞
−∞
x
1
(b
− a)
dx;
=
Z
b
a
x
1
(b
− a)
dx;
=
1
2(b
− a)
x
2
b
a
;
=
1
2(b
− a)
(b
2
− a
2
);
=
(b
− a)(b + a)
2(b
− a)
=
(b + a)
2
.
Portanto,
m
X
amédiaaritméti adeseuslimitesa
eb
.⋄
Exemplo3.18ConsidereavariávelaleatóriagaussianaX
(normal) omdensidadede pro-babilidadedenidapor:f
X
(x) =
1
√
2πσ
exp
−
(x
− µ)
2
2σ
2
.
Cal uleovaloresperado(oumédio)deumavariávelaleatóriagaussiana
X
.⋄
Propriedadesdo ValorEsperado deX
E(X) = m
X
1. Se
c
éuma onstantequalquer,tem-seE(c) = c
. Demonstração:Sabe-se,E(X) = m
X
=
Z
∞
−∞
logo,
E(c) =
Z
∞
−∞
cf
c
(x)dx;
= c
Z
∞
−∞
f
c
(x)dx = c.
•
2. Se
c
éuma onstante qualquer,tem-seE(cX) = cE(X)
. Demonstração:Sabe-se,E(X) = m
X
=
Z
∞
−∞
xf
X
(x)dx;
logo,E(cX) =
Z
∞
−∞
cxf
X
(x)dx;
= c
Z
∞
−∞
f
X
(x)dx = cE(X).
•
3. Considere
n
variáveisaleatóriasX
1
, X
2
, . . . , X
n
taisquevaloresesperados sãoE(X
i
)
existe(i = 1, 2, . . . , n
),entãoE(X
1
+ X
2
+
· · ·+X
n
) = E(X
1
)+
E(X
2
) +
· · · + E(X
n
)
.Observações: Casoparti ular,
E(X
± c) = E(X) ± c.
3.9.2 Variân ia de uma variável aleatóriaConsidere
X
uma variável aleatória dis reta. Suponha queX
assuma os valores{x
1
, x
2
, . . . , x
k
}
. Considereque aexperiên ia asso iadaa estavariável aleatóriadis retatenhasidorealizadaN
vezesequen(x
i
)
representeonúmero devezesemqueoevento{X = x
i
}
o orreu. Assim,deni-se avariân iadeX
por Var= σ
2
X
= E
(x
i
− E(X))
2
= E x
2
i
− 2x
i
E(X) + E(X)
2
= E x
2
i
− E (2x
i
E(X)) + E E(X)
2
= E X
2
− 2E (X) E(X) + E(X)
2
= E X
2
− E(X)
2
,
σ
X
é hamadodedesviopadrão,pode-sees reverdaforma,Var
(X) = σ
2
X
=
k
X
i=1
(x
i
− E(X))
2
n(x
i
)
N
=
k
X
i=1
(x
i
− E(X))
2
P (X = x
i
).
Observequeavariân iadeumavariávelaleatórianadamaisédoqueamédia aritméti a dosquadrados dosdesvios padrões
(x
i
− E(X)) = (x
i
− m
X
)
, em relaçãoàmédia, dosN
resultados daexperiên ia. Istomostraqueavariân ia deumavariávelaleatóriamedesuadispersãoem tornodamédia.No asode
X
seruma variávelaleatória ontínua,tem-se,Var
(X) = σ
2
X
=
Z
+∞
−∞
(x
− E(X))
2
f
X
(x)dx.
Exemplo3.19ConsidereavariáveldeBernoullidenidapor,logo,fala-seentão da proba-bilidadedesu esso,
P
X
(X(ω) = 1) = p
eP
X
(X(ω) = 0) = 1
− p
,assim,sabe-seE(X) = m
X
=
k
X
i=1
x
i
P (X = x
i
)
= 0
· P
X
(X(ω) = 0) + 1
· P
X
(X(ω) = 1)
= 0
· (1 − p) + 1 · p = p;
eE(X
2
) = m
X2
=
k
X
i=1
x
2
i
P (X = x
i
)
= 0
2
· P
X
(X(ω) = 0) + 1
2
· P
X
(X(ω) = 1)
= 0
2
· (1 − p) + 1
2
· p = p;
logo,tem-se Var= E X
2
− E(X)
2
;
= p
− p
2
= p(1
− p).
⋄
Exemplo3.20Considereavariávelaleatóriauniformemente omdensidadedeprobabilidade denidapor:
f
X
(x) =
1
(b−a)
a
≤ x ≤ b, a < b
0,
. .,
emque
a, b
∈ R
.Para al ulardavariân iadeumavariávelaleatóriauniformeX
,sabe-se:E(X) = m
X
=
(b + a)
2
.
Portanto, Var(X) = σ
2
X
=
Z
+∞
−∞
(x
− E(X))
2
f
X
(x)dx;
=
Z
+∞
−∞
x
−
(b + a)
2
2
1
(b
− a)
dx;
=
(b + a)
2
12
.
⋄
Exemplo 3.21Considereavariável aleatóriagaussiana
X
(normal) omdensidadede pro-babilidadedenidapor:f
X
(x) =
1
√
2πσ
exp
−
(x
− µ)
2
2σ
2
.
Cal ulevariân iadavariávelaleatóriagaussiana
X
,ouseja, Var(X) = σ
2
=
Z
+∞
−∞
(x
− E(X))
2
f
X
(x)dx;
=
Z
+∞
−∞
(x
− µ)
2
√
1
2πσ
exp
−
(x
− µ)
2
2σ
2
dx;
=
√
1
2πσ
Z
+∞
−∞
(x
− µ)
2
exp
−
(x
− µ)
2
2σ
2
dx.
⋄
3.9.3 MomentosO
k
-ésimomomentodeumavariávelaleatóriaX
,k = 1, 2, 3, . . .
édadopor:E(X
k
) =
Z
∞
−∞
x
k
f
X
(x)dx,
quando
X
é uma variável aleatória ontínua om densidade de probabilidadef
X
(x)
. QuandoX
éuma variávelaleatóriadis reta, ompossíveisvaloresx
j
,j = 1, 2, 3, . . .
,oseumomento deordemk
édadopor:E(X
k
) =
X
j
x
k
j
P (X = x
j
).
Se existe o
k
-ésimo momento de uma variávelaleatória, então existe também todososmomentosdeordeminferior.Entropia
Emboranão sejaummomento,aentropia,dadapor
H(X) =
X
i
p
i
log
1
p
i
=
−
X
i
p
i
log p
i
,
é umindi adorda dispersãodadistribuiçãode probabilidade deuma variável aleatória
X
tal queP (X = x
i
) = p
i
.3.10 Duas Variáveis Aleatórias
fen-deumavariávelaleatóriafala-seemvetoresaleatóriosde
n
dimensões,emquen
éonúmerodevariáveisaleatóriasqueserãoas oordenasdessevetor). Dessa forma, onsidereduasvariáveisaleatóriasX
eY
. Quandosefalaemvariável ale-atória,fala-se automati amenteem funçãodedistribuiçãoefunção densidade. PortantoexistemasdistribuiçõesF
X
eF
Y
,e,satisfeitasalgumas ondições,as densidadesf
X
ef
Y
, respe tivamente. Logo, pode-se falarde uma orrelação entreasvariáveisaleatórias.3.10.1 Função distribuição de probabilidade onjunta Para se al ular a probabilidade destes evento, é ne essário dispor-se da distribuição onjunta, isto é, da função de distribuição onjunta de
X
eY
. Estafunçãoédadapor:F
XY
(x, y) =
Pr{ω ∈ Ω : −∞ ≤ X(ω) ≤ x
,− ∞ ≤ Y (ω) ≤ y},
= P (X
≤ x, Y ≤ y),
isto é, é a probabilidade do onjunto de
ω
's perten entes ao espaço amostral (e portanto ara terizam um evento) tais que os orrespondentes valores da variável aleatóriaX
sejam todos menores ou iguaisax
, e os orrespondentes valores da variável aleatóriaY
sejam todos menores ou iguais ay
4
. Deni-se, analogi amente ao aso unidimen ional (apenas uma variávelaleatória), a funçãodensidadedeprobabilidade onjuntode
X
eY
por/:f
XY
(x, y) =
∂
2
∂x∂y
F
XY
(x, y).
No asode duas variáveisaleatórias, oseventos são denidos no plano
(x, y)
. Neste aso,a funçãodensidade de probabilidadenão seráuma urva massim umasuperfí ienoplano(x, y)
.Exemplo 3.22 Transmissão em uma anal genéri o. FIGURA Intensidade do sinalno re eptordeumaestaçãobase(
Y
)eadistân ia(X
)daestaçãomóvelparaaestaçãobase.⋄
Exemplo 3.23 Considere que
X
representando os bits enviados eY
os bitsre ebidos, e sejaomodelodeprobabilidadedeum analdetransmissãobinário,mostradonaFigura3.9. Considereque afontebinárioqueenviaosbitsequiprováveis,ouseja,P (X = 1) = P (X =
0) = 1/2
. Logo,P (Y = 0|X = 0) = p;
P (Y = 1|X = 0) = 1 − p;
P (Y = 0
|X = 1) = 1 − p;
P (Y = 1|X = 1) = p.
4A
B
X = 0
Y = 0
X = 1
y = 1
1
− p
1
− p
p
p
Figura3.9: CanalBináriodeComuni ação.
Como
P (A
∩ B) = P (A|B)P (B)
,dessaforma,P (Y = 0|X = 0) = P (Y = 0|X = 0)P (X = 0) =
p
2
;
P (Y = 1|X = 0) = P (Y = 1|X = 0)P (X = 0) =
1
− p
2
;
P (Y = 0
|X = 1) = P (Y = 0|X = 1)P (X = 1) =
1
− p
2
;
P (Y = 1|X = 1) = P (Y = 1|X = 1)P (X = 1) =
p
2
.
Afunçãodensidadedeprobabilidadeserádenidapor:
x > 1
ey > 1 =
⇒ F
XY
(x, y) = 1;
x < 0
e∀y =⇒ F
XY
(x, y) = 0;
y < 0
e∀x =⇒ F
XY
(x, y) = 0;
x > 1
ey > 1 =
⇒ F
XY
(x, y) =
1
− p
2
+
p
2
=
1
2
;
x > 1
ey
≥ 1 =⇒ F
XY
(x, y) = 1;
x < 1
ey > 1 =
⇒ F
XY
(x, y) =
1
2
;
x < 1
ey < 1 =
⇒ F
XY
(x, y) =
p
2
.
⋄
Propriedades dafunção distribuição de probabilidade onjunta 1.
F
XY
(x, y)
énão-de res ente;istoé,F
XY
(x
1
, y
1
)
≥ F
XY
(x
2
, y
2
)
sex
1
≥ x
2
ey
1
≥ y
2
(0
≤ F
XY
(x, y)
≤ 1
); 2.F
XY
(
−∞, y
1
) = F
XY
(x
1
,
−∞) = 0
; 3.F
XY
(+
∞, +∞) = 1
; 4.F
X
(x) = F
XY
(x
1
, +
∞) = P (X ≤ x, y < +∞) = P (X ≤ x)
; 5.F
Y
(y) = F
XY
(+
∞, y
1
) = P (x < +
∞, Y ≤ y) = P (Y ≤ y)
.probabi-3.10.2 Função massa de probabilidade onjunta
Afunçãodemassadeprobabilidadededuasvariáveisaleatóriasdis retas
X
eY
édadaporP
X,Y
(x, y) = P (X = x, Y = y).
Existem várias formas de se representar a função de massa de probabilidade onjunta(Listas,MatrizeseGrá os).
Exemplo3.24Testa-se...
⋄
Teorema 3.1 Paraduas variáveis aleatóriasdis retas
X
eY
,e3.10.3 Função densidade de probabilidade onjunta
A função densidade deprobabilidade onjunta de duas variáveisaleatórias ontínuas
X
eY
éataxade res imento,denindoumafunçãof
X,Y
(x, y)
om aseguintepropriedadeF
X,Y
(x, y) =
Z
x
−∞
Z
y
−∞
f
X,Y
(u, v)dudv.
Propriedadesda função densidadede probabilidade onjunta 1.
f
XY
(x, y)
≥ 0
,∀(x, y)
; 2.f
XY
(x, y) =
∂
2
F
X,Y
(x,y)
∂x∂y
; 3.R
∞
−∞
R
∞
−∞
f
X,Y
(x, y)dxdy = 1
; 4.P (x
1
≤ X ≤ x
2
, y
1
≤ X ≤ y
2
) = F
XY
(x
2
, y
2
)
−F
XY
(x
2
, y
1
)
−F
XY
(x
1
, y
2
)+
F
XY
(x
1
, y
1
)
; 5.P (A) =
R R
A
f
X,Y
(x, y)dxdy
.Assim omo no aso das variáveis aleatórias dis retas, pode-se al ular a função densidade de probabilidade marginal apartir da função densidade de probabilidade onjunta.
Teorema 3.2 Se
X
eY
são variáveis aleatórias ontínuas om função densi-dadede probabilidade onjuntaf
X,Y
(x, y)
,então:f
X
(x) =
Z
∞
−∞
f
X,Y
(x, y)dy;
ef
Y
(y) =
Z
∞
−∞
f
X,Y
(x, y)dx.
Exemplo 3.25 Umtrem hega auma estaçãoeespera in ominutos antes deprosseguir paraapróximaestação.Oinstantede hegadadotrem, ontadoapartirdas9h,emminuto, podesermodeladopelavariávelaleatória
T
, omfunçãodensidadedeprobabilidadef
T
(t) =
0, 15e
0,15t
u(t)
.
a. Cal uleaprobabilidadedeotrem hegarnaestaçãoatéas9:20h.
b. Determineomaioratrasoqueumusuáriopodeterdemodoqueaprobabilidadedeele pegarotremsejamaiorque
0, 5
;. Considerequeoinstantede hegadadeumestudanteàestação( ontado apartirdas 9h,emminuto)áumavariávelaleatória
X
equeafunçãodensidadedeprobabilidade deX
eT
é:f
XT
(x, t) = 0, 006e
0,15t+0,4x
u(t)u(x)
.Cal uleaprobabilidadedeoestudantepegarotrem. Solução: a.
P [T < 20] =
Z
Z
Aa
f
T
(t)dt
=
Z
20
0
0, 15e
0,15t
dt
≃ 0, 95.
b.P [T > a
− 5] =
Z
Z
A
b
f
T
(t)dt
=
Z
+∞
a−5
0, 15e
0,15t
dt > 0, 5
⇒ a < 9, 621.
.P [T > X
− 5] = P [X < T + 5] = P [(X, T ) ∈ A]
=
Z
Z
A
c
f
XT
(x, t)dxdt
=
Z
+∞
0
Z
t+5
0
0, 006e
0,15t+0,4x
dxdy = 0, 946.
⋄
3.10.4 Função densidade de probabilidade ondi ionais No aso de duas ou mais variáveis aleatórias, a situação é bem mais ri a doqueno asodeumasó. Apare eofenmenodainteraçãoentre asvariáveis aleatórias e a possibilidade de se fazer armações probabilísti as sobre uma variável. Tem-seentãoo on eitodefunçãodensidade ondi ional. Porexemplo, a densidade ondi ional de
Y
dado que se onhe eX
é denida, de maneira análogaàprobabilidade ondi ional, omof
Y
|X
(y
|x) =
f
XY
(x, y)
f
X
(x)
,
e deve serlida omo adensidade de probabilidade ondi ional de
y
dadox
. Analogamente,tem-sef
X|Y
(x
|y) =
f
XY
(x, y)
f
Y
(y)
.
3.10.5 Valores Esperado
Correlaçãoentre duas variáveis aleatórias Fernando
3.10.6 Independên ia Estatísti a
Dois eventos
A
eB
foram denidos omo independentes se, esomente se,P (A
|B) = P (A)·P (B)
. Damesmaforma,dene-sequeduasvariáveisaleatóriasX
eY
sãoindependentesse:F
X,Y
(x, y) = F
X
(x)
· F
Y
(y)
ou,deformaanáloga,
f
X,Y
(x, y) = f
X
(x)
· f
Y
(y).
Usandoadensidadeeadistribuição ondi ionais,mostra-sequeseduasvariáveis aleatórias
X
eY
foremindependentes, vale:f
X
(x
|y) =
f
X,Y
(x, y)
f
Y
(y)
=
f
X
(x)f
Y
(y)
f
Y
(y)
= f
X
(x)
ef
Y
(y
|x) =
f
X,Y
(x, y)
f
X
(x)
=
f
X
(x)f
Y
(y)
f
X
(x)
= f
Y
(y)
Assim,asdensidadesdeixamdeser ondi ionaisetornam-seiguaisàsmarginais.
3.11 Exemplosde distribuições deprobabilidades
Lista de Exer í io - Variáveis Aleatórias
QuestõesreferentesaoCapítulo3.
Exer í io 3.1 Suponha que a temperatura de uma lo alidade seja modelada omo uma variável aleatória ontínua
T
que sabe-se en ontrar entre .5oC e 35oC. Alémdisso, onsidere quetodos osvalores−5
◦
Ce35
◦
Csão igualmente prováveis. Cal ule:• P (T ≤ 10)
;• P (5 ≤ T ≤ 10)
;• P (T = 10)
.Exer í io 3.2 Seja
X
umavariável aleatória om funçãodensidade de proba-bilidadef
X
(x)
,dada por:f
X
(x) =
A(x + 5),
− 5 ≤ x ≤ −4;
A,
− 4 ≤ x ≤ −4;
−A(x − 5), 4 ≤ x ≤ 5.
SendoA
uma onstante,pede-se:a. Faça umesboço do grá ode
f
X
(x)
. b. Determineovalor da onstanteA
.. Determineaexpressão daFunçãoDistribuiçãode Probabilidadeda variá-velaleatória
X
.d. Faça umesboço do grá ode
F
X
(x)
. e. DetermineaprobabilidadeP (X > 4)
.Observação: Quando
F
X
(x)
não é ontínua, pode-se estender adenição de f.d.p. usandoadistribuiçãoδ
. Usa-seofatodeque,nosentidodasdistribuições,d
dx
[u(t)] = δ(t)
,sendou(t)
a distribuição degrau unitário eδ(t)
a distribuição delta deDira . Assim,seX
éuma variável aleatóriadis reta,tem-se:F
X
(x) =
X
k
p
x
(x
k
)u(x
− x
k
),
ef
X
(x) =
X
k
p
x
(x
k
)δ(x
− x
k
).
Exer í io 3.3 A quantidade a essos normalizada a um servidor durante um dia édes ritaporumavariável aleatória
X
quetemdistribuiçãoF
X
(x) =
1
− e
−
x2
b
u(t).
Determine afunção densidadef
X
(x)
.Exer í io3.4 [3 ℄A entralde umsistema deinter omuni açãoprovê músi a para seisquartosde um hospital. A probabilidade de que ada quarto seja ati-vadoe onsuma potên iaa qualquer instanteé
0, 4
. Quando ativado, oquarto onsome0, 5
W. Pede-se:a. En ontre e faça um grá o das funções distribuição e densidade para a variável aleatóriapotên iaforne ida pela entral.
b. Seoampli adordaestaçãoprin ipal asobre arregadoquandomaisdo que
2
Wéne essário,qual aprobabilidadede sobre arga?Exer í io3.5 Arelação sinal-ruído no anal de um sistema de omuni ações dadaem
dB
podeseraproximadaporumavariávelaleatóriagaussianaX
sendoµ
X
= 3
eσ
X
= 2
. En ontre a probabilidade do evento{X ≤ 5, 5}
e ilustre a funçãodensidade de probabilidade davariável aleatóriagaussianaX
.Exer í io3.6 [3 ℄Um problemaemsistemasde omuni açõesé omodenira informaçãodeumafonte. Considereamodelagemdeumafonte apazdeemitir
L
símbolos distintos (mensagens) representados pelos valores de uma variável aleatória dis retax
i
,i = 1, 2, . . .
(L = 2
é o aso binário). SejaP (x
i
)
a probabilidadedosímboloX = x
i
. Pergunta-se,qual ainformação ontidanesta fonte,em média. É ne essáriofazer três onsiderações.1. Considera-se quea informação deve ser maior para saídas da fonte om baixaprobabilidade. Porexemplo, ontémpou ainformaçãoprevertempo quente ese o parao deserto do Saara já que estas ondições prevale em quase todootempo. Masprevertempofrioe huvasfortes arrega muita informação.
2. As informaçõesde duas fontesindependentes devemse somar.
3. Ainformaçãodeveserumaquantidadepositiva(umaes olhafeita)ezero paraum eventoqueo orre om erteza.
Uma função om estas propriedades é a logarítmi a. Como duas quantidades representamo menor númeropara uma es olha, ologaritmo na base2 é es o-lhido paramedir informação esuaunidadeé hamada de bit. Paraumafonte, deni-se ainformaçãode um símbolo
x
i
omolog
2
1
P (x
i
)
=
− log
2
(P (x
i
)) .
Determine então a informação média ou entropia, de uma fonte dis reta om
L
símbolos possíveis.Exer í io3.7 Considere o experimento de lançamento de um dado honesto. Seja
X
,avariável aleatóriaque atribui1
se onúmero obtidofor pare0
,se o númeroobtido for ímpar. Pergunta-se:b. Cal ule
P (X = 1)
eP (X = 0)
.Exer í io 3.8 Umafontede informaçãogerasímbolosaleatoriamenteapartir de um alfabeto de 4 letras
{a, b, c, d}
, om probabilidadesP (a) = 1/2
,P (b) =
1/4
,P (c) = P (d) = 1/8
. Umesquemade odi ação onverteestessímbolosem ódigosbinários dea ordo omatabela aseguir. SendoX
,avariável aleatória quedenota o omprimento do ódigo, respondaoquese pede:a
0
b
10
c
110
d
111
a. Qualoespaçoamostral deX
?b. Considerando quea geração dos símbolosé independente, al uleas pro-babilidades
P (X = 1)
,P (X = 2)
,P (X = 3)
eP (X > 3)
.Exer í io 3.9 Seja
X
,a variávelaleatóriadenida noExer í io3.8.a. Esbo e afunção de distribuição umulativa
F
X
(x)
e espe iqueo tipodeX
;b. Cal uleasprobabilidades
P (X
≤ 1)
,P (1 < X
≤ 2)
eP (X > 1)
.Exer í io 3.10 Suponhaqueumavariável aleatória
X
tenhaaseguintefunção de massade probabilidade:p
X
(1) = 1/2; p
X
(2) = 1/4; p
X
(3) = 1/8; p
X
(4) = 1/8
.
a. Cal ule e esbo e a função de distribuição umulativa
F
X
(x)
da variável aleatóriaX
;b. Cal ule
P (X
≤ 1)
eP (1 < X
≤ 3)
.Exer í io 3.11 Suponha queumavariável aleatóriatenha umafunção de dis-tribuição umulativadada por
F
X
(x) = (1
− e
−x
)u(x).
Cal uleasseguintesprobabilidades: a.
P (X > 5)
;b.
P (X < 5)
; .P (3 < X < 7)
; d.P (X > 5
|X < 7)
.Exer í io3.12 Otempo de transmissão
X
de mensagens em um sistema de omuni ações obede e a lei de probabilidade exponen ial om parâmetroλ
, ou seja,P (X > x) = e
λx
,
x > 0
.a. Cal uleafunção de distribuição umulativade
X
; b. Cal uleP (T < X
≤ 2T )
,em queT = 1/λ
.Exer í io3.13 Onúmerodea essosaum websiteemumintervalodetempo qualqueréumavariávelaleatóriadePoisson. Um websiteemparti ularpossui, em média,
λ = 2
a essosporsegundo.a. Qual aprobabilidade de quenãohaveráa essosem um intervalode
0, 25
segundos?b. Qual a probabilidade de que não haverá mais do que
2
a essos em um intervalo de1
segundo?Exer í io3.14 Cal uleeesbo easfunçõesdedistribuição umulativade ada umadas funçõesdensidade de probabilidade aseguir:
a.
f
X
(x) =
1, 0
≤ x ≤ 1
0, c.c
.
b.f
X
(x) =
2x, 0
≤ x ≤ 1
0,
c.c
.
Exer í io3.15 Afunçãodensidadedeprobabilidadedeumavariávelaleatória ontínuaX édada por
f
X
(x) =
1
3
, 0
≤ x ≤ 1
2
3
, 0
≤ x ≤ 2
0,
c.c
.
Cal ule a função de distribuição umulativa
F
X
(x)
orrespondente e esbo ef
X
(x)
eF
X
(x)
.Exer í io3.16 Uma variável aleatória possui função densidade de probabili-dadedada por