Função Distribuição de Probabilidade - FDP

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

Propriedades da Função Distribuição de Probabilidade

Variável Aleatória (v.a.): É uma função X( . ) que mapeia o
conjunto de todos os pontos do espaço de amostras Ω em um 1 . FX(x) é não decrescente, contínua pela direita e satisfaz as
conjunto de números reais R, tal que o subconjunto seguintes condições:
F X ( +∞ ) = P { X ≤ +∞} = P (Ω ) = 1
{ξ | X (ξ ) ≤ x }= { X ≤ x } é um evento para qualquer x ∈ R.
F X ( −∞ ) = P {X ≤ −∞ } = P (φ ) = 0 .
O que dizer sobre { a < X ≤ b }, { X = a }? são também eventos?
2. Se x 1 < x 2 , então F X ( x 1 ) ≤ F X ( x 2 ),
De fato se b > a então { X ≤ a} e {X ≤b } são eventos. E ainda
Se x1 < x 2 , ( −∞ , x1 ) ⊂ ( −∞ , x2 ). então {X ≤ x1 } ⊂ {X ≤ x 2 },
{X ≤ a } c
= { X > a } é um evento, e {X > a }∩ { X ≤ b } = {a < X ≤ b}
Portanto,
F X ( x1 ) = P ( X ≤ x1 ) ≤ P ( X ≤ x 2 ) = F X ( x 2 ),
é portanto um evento.
Desta forma,  a −
1 
< X ≤ a  é um evento para qualquer n. 3. F X ( x + ) = F X ( x ), para todo x.
 n 
Consequentemente, Demonstração: Seja x < x n < x n −1 < L < x 2 < x1 , e Ak um evento
∞
 
Ak = { x < X ≤ x k } então
1
I  a − n < X ≤ a  = { X = a } dado por
n =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 − ).

P ( Ak ) = P ( x < X (ξ ) ≤ x k ) = FX ( x k ) − F X ( x ). Seja x1 = x − ε , ε > 0, e x 2 = x. Então

lim P{ x − ε < X ≤ x } = FX ( x ) − lim FX ( x − ε ),
Mas L Ak +1 ⊂ Ak ⊂ Ak −1 L , e então ε →0 ε →0
ou
∞ P{ X = x } = F X ( x ) − F X ( x − ).
lim Ak =
k →∞
IA
k =1
k =φ e então lim P ( Ak ) = 0 .
k →∞ Quando x → x0 pode-se escrever: P{ X = x 0 } = F X ( x 0 ) − F X ( x 0− ) > 0 .

Assim lim P ( Ak ) = lim FX ( x k ) − FX ( x ) = 0. Exemplo 3.2: Lançamento de uma moeda. Seja Ω = {H , T }.

k →∞ k→∞ Define-se uma v.a. X tal que X ( T ) = 0 , X ( H ) = 1 . Encontre FX (x).
Solução: Para x < 0 , { X ≤ x } = { φ }, FX ( x ) = 0.
Mas lim x k = x + , o limite à direita de x, e portanto
k→∞ 0 ≤ x < 1, {X ≤ x } = { T }, então F X ( x ) = P { T } = 1 − p,
+
FX ( x ) = FX ( x ), FX (x) x ≥ 1, {X ≤ x }= { H ,T } = Ω, então F X ( x ) = 1 .
1
isto é, FX (x) é contínua pela direita,
q
x
5 1 7

Propriedades da FDP Tipos de Variáveis Aleatórias

• X é chamada de variável aleatória do tipo contínua se a sua função
4. Se FX ( x0 ) = 0 para algum x 0 então, FX ( x ) = 0, x ≤ x0 .
distribuição de probabilidade FX (x ) é contínua. Neste caso
Demonstração: Dado que FX ( x0 ) = P ( X ≤ x0 ) = 0 , então {X ≤ x 0 } FX ( x − ) = FX ( x ) para todo x. Portanto P{X = x} = 0 .
será um subconjunto vazio para qualquer x ≤ x0 , { X ≤ x } será um
• Se F X ( x ) é constante, exceto para um número finito de
evento nulo e portanto, FX ( x ) = 0, x ≤ x0 . descontinuidades, do tipo degrau, então X é chamada de
5. P { X > x } = 1 − F X ( x ). variável aleatória do tipo discreta. Neste caso tem-se:
Decorre do fato de que { X ≤ x }∪ { X > x }= Ω , e de que os dois p i = P {X = x i } = F X ( x i ) − F X ( x i− ).
eventos serem mutuamente exclusivos. FX (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 .
− −∞

depende de dois parâmetros µ e σ 2 , anotação ∼ X N(µ,σ 2 )

FX (x)
1
será usada para representa-la. f (x) X

3/ 4
1/ 4 x
x µ
1 2 9 11

Função densidade de Probabilidade (f.d.p)

2. Uniforme: X U(a, b), a < b,
A derivada da função distribuição de probabilidade FX (x) é chamada
de função densidade de probabilidade f X ( x ) definida por:  1
 , a ≤ x ≤ b,
f X ( x) =  b − a
∆ dFX ( x )  0, outros valores
f X ( x) = .
dx
da natureza monotônica não decrescente de F X ( x ), tem-se:
3. Exponencial: ∼ X ε (λ )
dF X ( x ) F ( x + ∆ x ) − FX ( x )
= lim X ≥ 0,  1 −x/λ
Daí segue que: dx ∆ x → 0 ∆x  e , x ≥ 0,
fX ( x) =  λ
 0, otherwise.
1. f X ( x ) ≥ 0 Para todo x.
2. f X ( x) será uma função contínua se X é uma v.a. contínua.
3. Se X é uma v.a.o tipo discreta a f.d.p. é por: f X (x) = ∑i
p iδ ( x − x i ) ,
1
f X (x) f X (x)

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)

4. Gamma: X ∼ G(α, β ) se (α > 0, β > 0) 9. Cauchy: ∼ C(α, µ),

X
f X ( x) α /π µ x
 x α −1 f X ( x) = 2 , − ∞ < x < +∞ . (3-39)
 e − x / β , x ≥ 0, α + ( x − µ )2 Fig. 3.14
f X ( x ) =  Γ (α ) β α (3-33)
 0, otherwise. x 10. Laplace: (Fig. 3.15)
Fig. 3.10
1 − | x |/ λ
se α = n um inteiro Γ ( n ) = ( n − 1 )!. f X ( x)
fX (x) =
2λ
e , − ∞ < x < +∞ . (3-40)
5. Beta: X ∼ β (a, b) if (a > 0, b > 0) x
11. Student’s t-distribução com n graus de liberdade
0 1
− ( n +1 ) / 2
 1 Fig. 3.11 Γ (( n + 1 ) / 2 )  t2 
 x a − 1 (1 − x ) b − 1 , 0 < x < 1 , fT (t ) =  1 +  , − ∞ < t < +∞ . (3-41)
f X ( x ) =  β (a, b)
(3-34) πn Γ(n / 2)  n 
 0, otherwise.
onde a função beta β (a, b) é definida como fX (x) fT ( t )

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.

6. Binomial: Negativa X~ NB (r, p),

 k − 1 r k−r
P(X = k) =   p q , k = r , r + 1, L .
 r −1
7. Discreta-Uniforme:
1
P(X = k) = , k = 1, 2 , L , N .
N
17 17