Académique Documents
Professionnel Documents
Culture Documents
3. Variáveis Aleatórias
Como a todo evento será atribuída uma probabilidade, então a
Seja (Ω, F, P) o modelo probabilístico para um dado experimento probabilidade do evento { ξ | X ( ξ ) ≤ x } = { X ≤ x } dependerá de x.
e X uma função que mapeia os pontos amostras ξ ∈ Ω, em um Definindo
P { ξ | X (ξ ) ≤ x }= P { X ≤ x} = F X ( x ) ≥ 0 .
conjunto de números reais x ∈ R.
onde FX (x) é chamada de Função Distribuição de Probabilidade
Se B é um subconjunto de R, então pode-se determinar a
(FDP) da variável aleatória X.
probabilidade de “ X (ξ ) ∈ B ”. Para determinar essa probabilidade
Exemplo 3.1: Seja X uma v.a. tal que X (ξ ) = c , ξ ∈ Ω. Encontre FX (x).
pode-se olhar para o conjunto A = X −1 ( B ) ∈ Ω que contém todos os
Solução:
pontos ξ ∈ Ω que são mapeados em B pela função X.
Para x < c, { X (ξ ) ≤ x } = { X ≤ x } = { φ },então, P{X ≤ x} = FX (x) = 0
Ω
X (ξ ) = x .
ξ
A Para x > c, {X (ξ ) ≤ x} = {X ≤ x} = Ω, então, P{X ≤ x} = FX (x) = 1
X (ξ ) FX (x)
x B R 1
x
Probabilid ade do evento " X (ξ ) ∈ B " = P ( X −1 ( B )). c
3
1
é um evento. {x < X ≤ x k }∪ { X ≤ x } = {X ≤ x k },
2 4
Usando a propriedade de eventos mutuamente exclusivos 7. P ( X = x ) = F X ( x ) − F X ( x − ).
1
6. P{ x1 < X ≤ x2 } = FX ( x2 ) − FX ( x1 ), x2 > x1. q
x
Os eventos { X ≤ x1 } e { x1 < X ≤ x 2 } são mutuamente 1
xi
exclusivos e a união dos dois representa o evento { X ≤ x 2 }. Ex: P { X = 0 } = FX ( 0 ) − FX ( 0 − ) = q − 0 = q.
6 8
Exemplo:3.3 Uma moeda é lançada duas vezes. Define-se uma v.a. Variáveis aleatórias do tipo contínuas
X para representar o espaço de amostras: Ω = { HH , HT , TH , TT },
1. Normal (Gaussiana): X é dito ser uma v.a. normal ou
X ( HH ) = 2 , X ( HT ) = 1, X ( TH ) = 1, X ( TT ) = 0 . Determine FX( x ).
Gaussiana se
Solução: P ( X ≤ x) = FX ( x) 1
e −( x− µ ) / 2σ
2 2
f X (x) = . (3-29)
2 πσ 2
x < 0, {X ≤ x}= φ ⇒ F X ( x ) = 0,
0 ≤ x < 1, {X ≤ x } = { TT } ⇒ F X ( x ) = P { TT }= P (T ) P (T ) =
1
, A curva apresenta uma simetria em relação um parâmetro µ ,
4 e sua distribuição é dada por:
3
1 ≤ x < 2 , {X ≤ x } = { TT , HT , TH }⇒ F X ( x ) = P { TT , HT , TH }= , x 1 ∆ x− µ
∫ e −( y−µ )
2
/ 2σ 2
(3-30)
4 FX ( x) = dy = G ,
x ≥ 2, {X ≤ x}= Ω ⇒ F X ( x ) = 1 .
−∞
2 πσ 2
σ
onde G ( x ) = ∫ 21π e dy é tabelado. Uma vez que f X (x)
x
− y2 / 2
P {X = 1} = F X (1) − F X (1 ) = 3 / 4 − 1 / 4 = 1 / 2 .
− −∞
3/ 4
1/ 4 x
x µ
1 2 9 11
x b−a
4. F X ( x ) = ∫
−∞
f x ( u ) du . f X (x)
pi a b
x x
+∞
5. F X ( +∞ ) = ∫ −∞
f x ( x ) dx = 1 ,
xi x
6. P { x 1 }=
x2
< X (ξ ) ≤ x 2 ∫
10
F X ( x 2 ) − F X ( x1 ) = f X ( x ) dx . 12
x1
f X ( x)
1
β (a , b) = ∫ 0
u a − 1 ( 1 − u ) b − 1 du . (3-35)
x t
13 Fig. 3.15 Fig. 3.16 15
PILLAI
6. Chi-Square: X ∼ χ 2 (n),
f X ( x) Variáveis aleatórias do tipo discretas
1
x n / 2 −1 e − x / 2 , x ≥ 0 , 1. Bernoulli: X toma os valores (0,1), e
f X ( x ) = 2 n /2 Γ (n / 2)
0, otherwise. (3-36) x
Fig. 3.12 P ( X = 0) = q, P ( X = 1) = p .
Note que χ (n) é a mesma Gamma
2
(n / 2, 2).
2. Binomial: X ∼ B(n, p), (Fig. 3.17)
7. Rayleigh: X ∼ R(σ ), 2
f X ( x)
n
P ( X = k ) = p k q n − k , k = 0 ,1 , 2 , L , n .
k
x − x 2 / 2σ 2
, x ≥ 0,
f X ( x) = σ 2
e 3. Poisson: X ∼ P(λ) , (Fig. 3.18)
0, otherwise. (3-37) x
Fig. 3.13 λk
P ( X = k ) = e −λ , k = 0 ,1 , 2 , L , ∞ .
k!
8. Nakagami – m distribuição:
P(X = k) P(X = k)
2 m m 2 m −1 − mx2 / Ω
, x≥0
f X ( x ) = Γ( m) Ω
x e
(3-38) k
12 n
0 otherwise 14 16
PILLAI Fig. 3.17 Fig. 3.18
4. Hipergeométrica:
m N −m
k n −k
P( X = k ) =
N
, max(0, m + n − N ) ≤ k ≤ min( m, n ) )
n
5. Geométrica: X ∼ g ( p )
P ( X = k ) = pq k , k = 0 ,1 , 2 , L , ∞ , q = 1 − p.