Vous êtes sur la page 1sur 54

Estatística

Docentes: Dr. Saide Dade/Dr. Cachimo Assane

sdade84@gmail.com
cachimo.assane@uem.mz

Refreshment do MCA 3a Edição - FACECO/UEM


Tema 2: Noção de Variáveis Aleatórias

Refreshment do MCA 3a Edição - FACECO/UEM

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de variáveis aleatórias
Definição: Uma variável aleatória (v.a.) é uma função que associa um número
real a cada resultado do espaço amostral de um experimento aleatório.

„ a qualquer elemento ω de Ω corresponde um único valor x = X (ω).


„ A v.a. denota-se em geral por uma letra maiúscula X , Y . . ..

„ Não prática, estamos interessado no conjunto de valores que a v.a. pode


assumir e na probabilidade de ocorrência de cada valor.
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de variáveis aleatórias
Exemplo: Considere um experimento em que cada um de três veículos que
trafegam em uma determinada estrada siga pela saída à esquerda (E) ou à
direita (D) no final da rampa de saída.
Ω = {EEE , DEE , EDE , EED, EDD, DED, DDE , DDD}
„ Seja X o número de veículos que sigam à direita;

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de variáveis aleatórias
Exemplo: Considere um experimento em que cada um de três veículos que
trafegam em uma determinada estrada siga pela saída à esquerda (E) ou à
direita (D) no final da rampa de saída.
Ω = {EEE , DEE , EDE , EED, EDD, DED, DDE , DDD}
„ Seja X o número de veículos que sigam à direita;

„ X é uma v.a. que pode assumir um dos valores 0, 1, 2, e 3 com probabilidades

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de variáveis aleatórias
Exemplo: Considere um experimento em que cada um de três veículos que
trafegam em uma determinada estrada siga pela saída à esquerda (E) ou à
direita (D) no final da rampa de saída.
Ω = {EEE , DEE , EDE , EED, EDD, DED, DDE , DDD}
„ Seja X o número de veículos que sigam à direita;

„ X é uma v.a. que pode assumir um dos valores 0, 1, 2, e 3 com probabilidades

P(X = 0) = P({DDD}) = 1/8


P(X = 1) = P({DEE , EDE , EED}) = 3/8
P(X = 2) = P({EDD, DED, DDE }) = 3/8
P(X = 3) = P({DDD}) = 1/8

„ A distribuição de probabilidade de X fica:


X 0 1 2 3
1 3 3 1
P(X) 8 8 8 8

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de variáveis aleatórias
Exemplo: Considere um experimento em que cada um de três veículos que
trafegam em uma determinada estrada siga pela saída à esquerda (E) ou à
direita (D) no final da rampa de saída.
Ω = {EEE , DEE , EDE , EED, EDD, DED, DDE , DDD}
„ Seja X o número de veículos que sigam à direita;

„ X é uma v.a. que pode assumir um dos valores 0, 1, 2, e 3 com probabilidades

P(X = 0) = P({DDD}) = 1/8


P(X = 1) = P({DEE , EDE , EED}) = 3/8
P(X = 2) = P({EDD, DED, DDE }) = 3/8
P(X = 3) = P({DDD}) = 1/8

„ A distribuição de probabilidade de X fica:


X 0 1 2 3
1 3 3 1
P(X) 8 8 8 8

„ As variáveis aleatórias são classificadas em discretas e contínuas


Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Variáveis aleatórias discretas

Definições:
„ Uma variável aleatória X é discreta se ela pode assumir valores em um conjunto
finito ou infinito, porém enumerável.
„ Função de probabilidade de uma v.a. discreta X
É uma função que associa a cada valor assumido pela v.a. X a probabilidade
do evento correspondente, ou seja, xi → p(xi ) = P(X = xi ), i = 1, 2, . . . , n
de tal forma que:
i) p(xi ) ≥ 0, ∀i, i = 1, 2, . . . , n
Xn
ii) p(xi ) = 1
i=1

„ Ao conjunto {(xi , p(xi )), i = 1, 2, . . . , n} chama-se distribuição de


probabilidade ou função de massa de probabilidade (fmp) de X ;
„ Note que X é o nome da v.a., enquanto que xi (minúsculo) é um certo que X
pode assumir.

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta

Definição: Se X é uma v.a. discreta cujos valores possíveis são x1 , x2 , . . . , xn ,


onde x1 < x2 < . . . < xn , então a função de distribuição ou função acumulada
de probabilidade de X , denotada por F (x ), é definida como
X
F (x ) = P(X ≤ x ) = p(xi ).
xi ≤x

Indica a probabilidade de o valor observado de X ser no máximo x .


Para uma v.a. discreta X , F(x) satisfaz as seguintes propriedades:
X
1) F (x ) = P(X ≤ x ) = p(xi ).
xi ≤x
2) 0 ≤ F (x ) ≤ 1
3) Se x ≤ y , então F (x ) ≤ F (y )
4) lim F (x ) = 0 e lim F (x ) = 1;
x →−∞ x →+∞

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta
Exemplo: Num determinado bairro, 25% das famílias não têm filhos, 50% têm
um filho e 25% das famílias têm dois filhos.
o
„ Seja X o n de filhos de uma família sorteada ao acaso nesse bairro.

„ X é uma v.a. que pode assumir um dos valores 0, 1 e 2.


„ Função de probabilidade de X :
X 0 1 2
1 1 1
p(xi ) = P(X = xi ) 4 2 4

„ Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta
Exemplo: Num determinado bairro, 25% das famílias não têm filhos, 50% têm
um filho e 25% das famílias têm dois filhos.
o
„ Seja X o n de filhos de uma família sorteada ao acaso nesse bairro.

„ X é uma v.a. que pode assumir um dos valores 0, 1 e 2.


„ Função de probabilidade de X :
X 0 1 2
1 1 1
p(xi ) = P(X = xi ) 4 2 4

„ Determinamos F (x ) de cada valor no conjunto {0, 1, 2}:


F (0) = P(X ≤ 0) = P(X = 0) = p(0) = 1/4;
F (1) = P(X ≤ 1) = p(0) + p(1) = 3/4;
F (2) = P(X ≤ 2) = p(0) + p(1) + p(2) = 1
„ Para qualquer outro valor de x , F (x ) será igual ao valor de F mais próximo
possível de X à esquerda de x
„ Por exemplo: F (0, 7) = P(X ≤ 0, 7) = P(X ≤ 0) = 1/4; F (2, 999) = F (2) =
3/4
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta

Exemplo (Cont.):
„ Portanto, a função de distribuição de X é:

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta

Exemplo (Cont.):
„ Portanto, a função de distribuição de X é:

0 x <0


 1

0≤x <1
F (x ) = 4
3

 4 1≤x <2

1 2≤x

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta
„ Exemplo (Cont.): Gráfico da função de distribuição de X

„ F (x ) é uma função escada ou função degrau, isto é, F dá um passo (salto) de


tamanho p(xi ) em xi , sempre que p(xi ) > 0
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta
Exemplo 1: Considere a seguinte função:

P(X = j) = (8/7)(1/2)j , j = 1, 2, 3.

i) Verifique que a função dada é uma função de probabilidade de X .


ii) Calcule P(X ≤ 1), P(X > 1) e P(X ≤ 1 ou X > 1)
iii) Determine a função de distribuição de X
iv) Calcule F (1, 99) e F (2, 5)

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta
Exemplo 1: Considere a seguinte função:

P(X = j) = (8/7)(1/2)j , j = 1, 2, 3.

i) Verifique que a função dada é uma função de probabilidade de X .


ii) Calcule P(X ≤ 1), P(X > 1) e P(X ≤ 1 ou X > 1)
iii) Determine a função de distribuição de X
iv) Calcule F (1, 99) e F (2, 5)
Resolução:

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta
Exemplo 1: Considere a seguinte função:

P(X = j) = (8/7)(1/2)j , j = 1, 2, 3.

i) Verifique que a função dada é uma função de probabilidade de X .


ii) Calcule P(X ≤ 1), P(X > 1) e P(X ≤ 1 ou X > 1)
iii) Determine a função de distribuição de X
iv) Calcule F (1, 99) e F (2, 5)
Resolução:

X 1 2 3
4 2 1
P(X) 7 7 7

3
X
i) P(X = j) = 1. Portanto, p(x ) é uma f.p. de X .
j=1

ii) P(X ≤ 1) = P(X = 1) = 47 ; P(X > 1) = 1 − P(X ≤ 1) = 37 ;


P(X ≤ 1 ou X > 1) = P(X ≤ 1) + P(X > 1) = 47 + 37 = 1
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. discreta

Resolução (cont.):

X 1 2 3
4 2 1
P(X) 7 7 7

iii) Função de distribuição

0 x <1


 4

1≤x <2
F (x ) = 7 .
6

 7 2≤x <3

1 3≤x
4
iv) F (1, 99) = P(X ≤ 1, 99) = P(X ≤ 1) = F (1) = 7 e
6
F (2, 5) = P(X ≤ 2, 5) = P(X ≤ 2) = F (2) = 7

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Proposição: Para quaisquer dois números a e b com a ≤ b,

P(a ≤ X ≤ b) = F (b) − F (a− )

onde “a− ” é o maior valor possível de X estritamente menor que a.


„ Se os valores possíveis de X forem inteiros e, se a e b forem inteiros, então

P(a ≤ X ≤ b) = F (b) − F (a − 1)

„ Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

„ Note que F (b) − F (a) fornece P(a < X ≤ b)


Exemplo 2: Considere uma v.a. X com os F (0) = 0, 58, F (1) = 0, 72, F (2) =
0, 76, F (3) = 0, 81, F (4) = 0, 88, F (5) = 0, 94, . . .
P(2 ≤ X ≤ 5) =

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Proposição: Para quaisquer dois números a e b com a ≤ b,

P(a ≤ X ≤ b) = F (b) − F (a− )

onde “a− ” é o maior valor possível de X estritamente menor que a.


„ Se os valores possíveis de X forem inteiros e, se a e b forem inteiros, então

P(a ≤ X ≤ b) = F (b) − F (a − 1)

„ Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

„ Note que F (b) − F (a) fornece P(a < X ≤ b)


Exemplo 2: Considere uma v.a. X com os F (0) = 0, 58, F (1) = 0, 72, F (2) =
0, 76, F (3) = 0, 81, F (4) = 0, 88, F (5) = 0, 94, . . .
P(2 ≤ X ≤ 5) = F (5) − F (1) = 0, 22;
P(X = 3) =

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Proposição: Para quaisquer dois números a e b com a ≤ b,

P(a ≤ X ≤ b) = F (b) − F (a− )

onde “a− ” é o maior valor possível de X estritamente menor que a.


„ Se os valores possíveis de X forem inteiros e, se a e b forem inteiros, então

P(a ≤ X ≤ b) = F (b) − F (a − 1)

„ Considerando a = b, resulta que P(X = a) = F (a) − F (a − 1)

„ Note que F (b) − F (a) fornece P(a < X ≤ b)


Exemplo 2: Considere uma v.a. X com os F (0) = 0, 58, F (1) = 0, 72, F (2) =
0, 76, F (3) = 0, 81, F (4) = 0, 88, F (5) = 0, 94, . . .
P(2 ≤ X ≤ 5) = F (5) − F (1) = 0, 22;
P(X = 3) = F (3) − F (2) = 0, 05

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Exemplo 3: Uma variável X tem a seguinte função de distribuição




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) =

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Exemplo 3: Uma variável X tem a seguinte função de distribuição




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5


ii) P(X < 12) =

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Exemplo 3: Uma variável X tem a seguinte função de distribuição




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5


ii) P(X < 12) = P(X ≤ 10) = F (10) = 0, 2
iii) P(12 ≤ x ≤ 20) =

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Exemplo 3: Uma variável X tem a seguinte função de distribuição




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5


ii) P(X < 12) = P(X ≤ 10) = F (10) = 0, 2
iii) P(12 ≤ x ≤ 20) = F (20) − F (11) = 0, 9 − 0, 2 = 0, 7
iv) P(X > 18) =

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Obtenção da fmp a partir da função de distribuição

Exemplo 3: Uma variável X tem a seguinte função de distribuição




 0 x < 10
0, 2 10 ≤ x < 12




F (x ) = 0, 5 12 ≤ x < 13 .
0, 9 13 ≤ x < 25





1 25 ≤ x

i) P(X ≤ 12) = F (12) = 0, 5


ii) P(X < 12) = P(X ≤ 10) = F (10) = 0, 2
iii) P(12 ≤ x ≤ 20) = F (20) − F (11) = 0, 9 − 0, 2 = 0, 7
iv) P(X > 18) = 1 − P(X ≤ 18) = 1 − F (18) = 1 − 0, 9 = 0, 1

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Média e Variância de uma v.a discreta X
„ A média e variância são frequentemente usados para resumir a distribuição de
probabilidade de uma v.a.
„ Definição: Seja X uma v.a. discreta que assume os valores x1 , x2 , . . . , xn com
probabilidades p(x1 ), p(x2 ), . . . , p(xn ), respectivamente. A média, valor
esperado ou esperança matemática ou valor esperado de X , denotado por
E (X ) ou µx , é
Xn
E (X ) = µx = xi p(xi )
i=1

„ A Esperança matemática é um número real.


„ Exemplo: Seja X o no de filhos de uma família sorteada ao acaso num bairro
com a seguinte distribuição de probabilidade:
X 0 1 2 3
P(X ) 0, 3 0, 4 0, 2 0, 1

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Média e Variância de uma v.a discreta X
„ A média e variância são frequentemente usados para resumir a distribuição de
probabilidade de uma v.a.
„ Definição: Seja X uma v.a. discreta que assume os valores x1 , x2 , . . . , xn com
probabilidades p(x1 ), p(x2 ), . . . , p(xn ), respectivamente. A média, valor
esperado ou esperança matemática ou valor esperado de X , denotado por
E (X ) ou µx , é
Xn
E (X ) = µx = xi p(xi )
i=1

„ A Esperança matemática é um número real.


„ Exemplo: Seja X o no de filhos de uma família sorteada ao acaso num bairro
com a seguinte distribuição de probabilidade:
X 0 1 2 3
P(X ) 0, 3 0, 4 0, 2 0, 1
O valor esperado de X (no médio de filhos por família) é
E (X ) = 0 × 0, 3 + 1 × 0, 4 + 2 × 0, 2 + 3 × 0, 1 = 1, 1.
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Propriedades da esperança matemática

i) E (k) = k, K : constante.
ii) E (k · X ) = k · E (X )
iii) E (X ± Y ) = E (X ) ± E (Y )
( n ) n
X X
iv) E Xi = {E (Xi )}
i=1 i=1

v) E (aX ± b) = aE (X ) ± b, a e b constantes.
vi) E (X − µx ) = 0

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Variância de uma v.a. discreta

„ A variância fornece o grau de dispersão (variabilidade) na distribuição de


probabilidade de X em torno da média.
„ Definição: Seja X uma v.a. discreta que assume os valores x1 , x2 , . . . , xn com
probabilidades p(x1 ), p(x2 ), . . . , p(xn ), respectivamente. A variância de X ,
denotado por Var (X ) ou σx2 , ou apenas σ 2 , é
n
X
Var (X ) = (xi − E (X ))2 p(xi )
i=1
n
X
= xi2 p(xi ) − {E (X )}2 = E (X 2 ) − {E (X )}2
i=1
p
„ O desvio padrão da variável X é σx = Var (x )
σx
„ O Coeficiente de variação de X é CV (X ) = E (X ) , E (X ) 6= 0

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Variância de uma v.a. discreta

„ Exemplo: Considere novamente o no de filhos de uma família


X P(X ) X · P(X ) X 2 · P(X )
0 0,3 0 0
1 0,4 0,4 0,4
2 0,2 0,4 0,8
3 0,1 0,3 0,9
1 E (X ) = 1, 1 E (X 2 ) = 2, 1

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Variância de uma v.a. discreta

„ Exemplo: Considere novamente o no de filhos de uma família


X P(X ) X · P(X ) X 2 · P(X )
0 0,3 0 0
1 0,4 0,4 0,4
2 0,2 0,4 0,8
3 0,1 0,3 0,9
1 E (X ) = 1, 1 E (X 2 ) = 2, 1

„ Var (X ) = E (X 2 ) − {E (X )}2 = 2, 1 − 1, 12 = 0, 89

„ σx = 0, 89 = 0, 943 filhos (desvio médio em relação a média)
0,943
„ CV (X ) = 1,1 = 0, 857

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Propriedades da variância

i) Var (k) = 0, K : constante.


ii) Var (k · X ) = k 2 · Var (X ).
iii) Var (X ± Y ) = Var (X ) + Var (Y ) ± 2cov (X , Y ), cov (X , Y ) é a covariância
entre X e Y .
Definição: Covariância entre X e Y ,

cov (X , Y ) = E {[X − E (X )].[Y − E (Y )]},

mede o grau de dependência entre as variáveis X e Y .


iv) Se X e Y são independentes, então Var (X ± Y ) = Var (X ) + Var (Y )
v) Var (aX ± b) = a2 Var (X ), a e b constantes.

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas

Uma v.a. é contínua quando seu conjunto de valores possíveis consiste de um


intervalo completo de todos os valores.
Por exemplos:
„ O tempo de chegada de um comboio em uma determinada estação;
„ O tempo de vida de um dispositivo electrónico;

„ A profundidade máxima de um lago em um ponto da superfície escolhido


aleatoriamente.
Definição: Diz-se que X é uma variável aleatória contínua em R se existir uma
função f (x ), tal que:
1) f (x ) ≥ 0 (não negativa)
Z +∞
2) f (x )dx = 1.
−∞

„ Nesse caso, a função f (x ) é chamada função densidade de probabilidade (fdp)

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas
„ Observe que, para quaisquer dois números a e b com a ≤ b,
Z b
P(a ≤ X ≤ a) = f (x )dx
a

„ significa que a P(X ∈ [a, b]) é a área contida entre o intervalo e abaixo da
curva da função de densidade.

„ O gráfico de f (x ) normalmente é denominado curva de densidade;


„ P(a ≤ X ≤ a) = a área abaixo da curva de densidade, entre a e b.
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas

„ Se X é uma v.a. discreta, obtém-se, para cada xi , uma P(X = xi ) positiva;

„ Por outro lado, se X é uma v.a. contínua, então para qualquer c, P(X = c) =
0, i.e. Z c
f (x )dx = 0
c

„ Além disso, para quaisquer dois números a e b com a < b,

P(a ≤ X ≤ b) =P(a < X ≤ b)


=P(a ≤ X < b) = P(a < X < b)

„ Resumindo: a probabilidade atribuída a qualquer valor específico é zero e a


probabilidade de um intervalo não depende da inclusão ou não de seus pontos
extremos

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas
Exemplo 1: Um professor de faculdade nunca finaliza sua aula antes do final do
horário e sempre termina dentro de dois minutos após o horário. Seja X : “tempo
entre o fim do horário e o fim da aula”, e suponha que a fdp de X seja
 3 2
f (x ) = 8x , 0 ≤ x ≤ 2
0, caso contrário.

i) Verifique que f (x ) é uma função densidade legítima.


ii) Qual é a probabilidade de a aula terminar dentro de 1 minuto após final do
horário?
iii) Qual é a probabilidade de a aula continuar por pelo menos 90 segundos após
o final do horário?
Respostas:

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas
Exemplo 1: Um professor de faculdade nunca finaliza sua aula antes do final do
horário e sempre termina dentro de dois minutos após o horário. Seja X : “tempo
entre o fim do horário e o fim da aula”, e suponha que a fdp de X seja
 3 2
f (x ) = 8x , 0 ≤ x ≤ 2
0, caso contrário.

i) Verifique que f (x ) é uma função densidade legítima.


ii) Qual é a probabilidade de a aula terminar dentro de 1 minuto após final do
horário?
iii) Qual é a probabilidade de a aula continuar por pelo menos 90 segundos após
o final do horário?
Respostas:
Z +∞
i) Para verificar que f (x ) é uma f.d.p., basta mostrar que f (x )dx = 1
−∞
Z 2 Z 2
3 2 3 3 1 x =2 1
x dx = x 2 dx = · x 3 = (8 − 0) = 1
0 8 8 0 8 3 x =0 8
Portanto, f (x ) é de facto uma f.d.p.
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas
Resolução (Cont.):
ii) Probabilidade de a aula terminar dentro de 1 minuto do final do horário;
Z 1
3 2 3 1 x =1
P(0 < X < 1) = x dx = · x 3
0 8 8 3 x =0
1 1
= (1 − 0) = = 0, 125
8 8
Significa que 12, 5% das aulas terminam dentro de 1 minuto após o horário.
iii) Probabilidade de a aula continuar por pelo menos 90 segundos após o final
do horário:
Z 2
3 2 3 1 x =2
P(X > 1, 5) = x dx = · x 3
1,5 8 8 3 x =1,5
1 4, 625
= (8 − 3, 375) = = 0, 5781
8 8
Aproximadamente 57, 8% das aulas continuam por pelo menos 90 segundos
após o horário.
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas
Exemplo 2: Suponha que X seja uma variável aleatória contínua cuja função
densidade de probabilidade é dada por
C (4x − 2x 2 ), 0 < x < 2

f (x ) =
0, caso contrário.
i) Qual é o valor de C ?;
ii) Determine P(X > 1)
Solução:

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas
Exemplo 2: Suponha que X seja uma variável aleatória contínua cuja função
densidade de probabilidade é dada por
C (4x − 2x 2 ), 0 < x < 2

f (x ) =
0, caso contrário.
i) Qual é o valor de C ?;
ii) Determine P(X > 1)
Solução:
i) Uma vez que f é uma função densidade de probabilidade, então
Z +∞
f (x )dx = 1, o que implica;
−∞
Z 2
C (4x − 2x 2 )dx =1
0
2x 3 x =2
 
2
C 2x − =1
3

x =0
3
C=
8
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Conceitos e notações de v.a.’s contínuas

Resolução (Cont.):
3
ii) Calculamos P(X > 1) substituindo C = 8 na f.d.p. Ou seja,
Z ∞
P(X > 1) = f (x )dx
1
3 2
Z
= (4x − 2x 2 )dx
8 1
2x 3 x =2
   
3 2 3 16 2 1
= 2x − = 6−( − ) =
8 3 8 3 3 2

x =1

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de distribuição de uma v.a. contínua
„ A função de distribuição, F (x ), da v.a. contínua é análoga a da v.a. discreta.
„ Envolve a substituição do somatório pelo símbolo de integral;

„ Lembre-se que F (x ) de uma v.a. discreta X é definida como


X
F (x ) = P(X ≤ x ) = p(xi )
xi ≤x

„ Definição: Se X é uma v.a. contínua, com função densidade f , sua função


distribuição F (x ), definida para cada x , é
Z x
F (x ) = P(X ≤ x ) = f (t)dt
−∞

„ Para cada x , F (x ) é a área abaixo da curva de densidade à esquerda de x .


„ O gráfico de F (x ) de uma v.a. contínua não é uma “função escada”, mas uma
função contínua.

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Propriedades da função F (x ) para v.a. contínua
i) F é uma função contínua.
ii) F é uma função não decrescente, ou seja, x < y implica F (x ) ≤ F (y )
iii) lim F (x ) = 0; e lim F (x ) = 1;
x →−∞ x →+∞
iv) Se a < b, P[a < X < b] = F (b) − F (a)
Exemplo 3: De novo, X : “tempo entre o fim do horário e o fim da aula”. Ao
calcularmos F (x ), observamos que:
1) Para x < 0 ou x > 2, f (x ) = 0 e
Z x Z x
F (x ) = P(X ≤ x ) = f (t) = 0dt = 0
−∞ −∞

2) Parae 0 ≤ x ≤ 2,
Z 0 Z x
3 2
F (x ) = 0dt + t dt
−∞ 0 8
3 1 t=x 1
= · t 3 = x3
8 3 t=0 8
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Propriedades da função F (x ) para v.a. contínua

Exemplo (Cont.): Em resumo



 0, se x < 0
1 3
F (x ) = x , se 0≤x ≤2
 8
1, se x > 2.

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Uso de F (x ) para Calcular as Probabilidades

„ Assim como no caso de v.a.’s discretas, as probabilidades de diversos intervalos


podem ser calculadas usando uma formula de F (x ).
„ Proposição: Seja X uma v.a. contínua com fdp f (x ) e f.d. F(x). Então, para
qualquer a,
P(X > a) = 1 − F (a)
e para quaisquer a e b, com a < b,

P(a ≤ X ≤ b) = F (b) − F (a)

„ ilustração a segunda parte da proposição:

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Uso de F (x ) para Calcular as Probabilidades
Exemplo 4: Ainda sobre X : “tempo entre o fim do horário e o fim da aula”.
 3 2
f (x ) = 8x , 0 ≤ x ≤ 2
0, caso contrário.

 0, se x < 0
1 3
F (x ) = 8 x , se 0 ≤ x ≤ 2
1, se x > 2.

1) Probabilidade de a aula continuar por pelo menos 90 segundos após o final


do horário:
P(X > 1, 5) =1 − P(X ≤ 1, 5) = 1 − F (1, 5)
(1, 5)3 3, 375
=1− 1− = 1 − 0, 422 = 0, 578
8 8
2) Probabilidade de a aula continuar além do horário por 60 a 90 seg?
P(1 ≤ X ≤ 1, 5) =F (1, 5) − F (1)
(1, 5)3 1
= −
8 8
=0, 422 − 0, 125 = 0, 297
Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Uso de F (x ) para Calcular as Probabilidades

Exemplo 5: A distribuição da quantidade de pedra brita (em toneladas) vendida


por uma empresa de materiais de construção em uma semana é uma va contínua
X com fdp  3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário.
Use F (x ) para calcular a probabilidade de que, em uma semana, a empresa venda
i) pelo menos trezentos quilos de pedra brita;
ii) entre 300 e 750 quilos de pedra brita.
Respostas:
„ A função de distribuição de vendas para qualquer x entre 0 e 1 é

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Uso de F (x ) para Calcular as Probabilidades

Exemplo 5: A distribuição da quantidade de pedra brita (em toneladas) vendida


por uma empresa de materiais de construção em uma semana é uma va contínua
X com fdp  3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário.
Use F (x ) para calcular a probabilidade de que, em uma semana, a empresa venda
i) pelo menos trezentos quilos de pedra brita;
ii) entre 300 e 750 quilos de pedra brita.
Respostas:
„ A função de distribuição de vendas para qualquer x entre 0 e 1 é
Z x
t 3 t=x x3
   
3 2 3 3
F (x ) = (1 − t )dt = t− = x−
0 2 2 3 2 3

t=0

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Uso de F (x ) para Calcular as Probabilidades
i) P(X > 0, 3) (vender pelo menos trezentos quilos):

P(X > 0, 3) =1 − P(X ≤ 0, 3) = 1 − F (0, 3)


(0, 3)3
 
3 0, 873
=1− 0, 3 − =1− = 0, 5635
2 3 2

ii) P(0, 3 ≤ X ≤ 0, 75) (vender entre 300 e 750 quilos).

P(0, 3 ≤ X ≤ 0, 75) =F (0, 75) − F (0, 3)


(0, 75)3
 
3
= 0, 75 − − 0, 5635
2 3
=0, 9141 − 0, 5635 = 0, 3506

„ Proposição: Se X for uma v.a. contínua com fdp f (x ) e f.d. F (x ) então, para
qualquer x em que a derivada F 0 (x ) existir,

F 0 (x ) = f (x )

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Função de de risco de uma v.a. contínua

A função de risco ou “Hazard function”, denotado por h(x ) é a probabilidade


de que um evento de interesse ocorra em um intervalo definido. h(x ) é definida
como
f (x )
h(x ) =
1 − F (x )
onde f (x ) e F (x ) representam as funções de densidade e de distribuição da v.a.
X , respectivamente.
Exemplo 6 (Cálculo da função hazard): Para o exemplo sobre X : “tempo entre
o fim do horário e o fim da aula”
3 2
f (x ) x
h(x ) = = 8 1 3
1 − F (x ) 1 − 8x

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Valor esperado e variância de v.a.’s contínuas
„ Para v.a.’s contínuas, as definições de E (X ) e Var (X ) são análogas às do caso
discreto, sendo a soma substituída pela integral e a fmp pela fdp.
„ Definição: O valor médio ou esperado de uma v.a. contínua X com fdp f (x ) é
Z +∞
µx = E (X ) = x · f (x )dx
−∞

Exemplo 5: Considere a fdp das vendas semanais de pedra brita X


 3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário. Então

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Valor esperado e variância de v.a.’s contínuas
„ Para v.a.’s contínuas, as definições de E (X ) e Var (X ) são análogas às do caso
discreto, sendo a soma substituída pela integral e a fmp pela fdp.
„ Definição: O valor médio ou esperado de uma v.a. contínua X com fdp f (x ) é
Z +∞
µx = E (X ) = x · f (x )dx
−∞

Exemplo 5: Considere a fdp das vendas semanais de pedra brita X


 3 2
f (x ) = 2 (1 − x ), para 0 ≤ x ≤ 1
0, caso contrário. Então

Z +∞ Z 1
3
E (X ) = x · (1 − x 2 )dx
x · f (x )dx =
−∞ 0 2
Z 1  2
x 4 x =1

3 3 3 x 3
= (x − x )dx = − =
2 0 2 2 4 8

x =0

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Valor esperado e variância de v.a.’s contínuas
„ Definição: A variância de uma v.a. contínua X com fdp f (x ) e média µ é
Z +∞
σx2 = Var (X ) = (x − µ)2 · f (x )dx ou
−∞
Var (x ) =E (X 2 ) − [E (X )]2
Z +∞
onde E (X ) = 2
x 2 · f (x )dx
−∞
p
„ O desvio padrão de X é σX = Var (X )
3
Exemplo 6: Para X = venda semanal de pedra brita, calculamos E (X ) = 8.
Como
Z +∞ Z 1
3
E (X 2 ) = x 2 · f (x )dx = x 2 · (1 − x 2 )dx
−∞ 0 2
Z 1  3
x 5 x =1

3 2 4 3 x 1
= (x − x )dx = − =
2 0 2 3 5 5

x =0

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM
Valor esperado e variância de v.a.’s contínuas

„ Então a variância de X é

Var (x ) =E (X 2 ) − [E (X )]2
 2
1 3 19
= − = = 0, 059
5 8 320

„ O desvio padrão de X é σX = 0, 059 = 0, 244.

Docentes: Dr. Saide Dade/Dr. Cachimo Assane Estatística Refreshment do MCA 3a Edição - FACECO/UEM