52 cálculo de probabilidade
Axioma 3. Se B1 , B2 , . . . ∈ B são disjuntos, então
P X (∪ Bn ) = P ( X ∈ ∪ Bn ) = P (∪ [ X ∈ Bn ]) =
= ∑ P ( X ∈ Bn ) = ∑ P X ( Bn ) .
n n
3.24 Definição A probabilidade P X , definida na σ-álgebra de Borel por P X ( B) =
P( X ∈ B), é denominada distribuição de X.
Nos casos discreto e contínuo, podemos descrever a distribuição por meio
da função de probabilidade ou densidade:
3.25 Proposição
1 Se a variável aleatória X é discreta e toma valores somente no conjunto
{ x1 , x2 , . . .}, então
P X ( B) = ∑ P ( X = xi ) = ∑ p ( xi ) , para todo B ∈ B .
xi ∈ B xi ∈ B
2 Se X é absolutamente contínua com densidade f ( x ), então
Z
P X ( B) = f ( x )dx, para todo B ∈ B .
B
A distribuição de X é determinada por qualquer das seguintes funções:
1 A função de distribuição FX .
2 A densidade f ( x ), se X é absolutamente contínua.
3 A função de probabilidade p ( xi ), no caso discreto.
Para conhecer a distribuição de X, tanto faz conhecer qualquer das suas
representações. Costuma-se escolher a representação mais conveniente para
descrever a distribuição de uma dada variável aleatória. No caso contínuo,
esta é geralmente a densidade.
3.4 Esperança
3.26 Definição Definimos a esperança ou valor esperado de uma variável ale-
atória como:
□ E[ X ] = ∑ x xp( x )
variáveis aleatórias 53
R +∞
□ E( X ) = −∞ x f ( x ) dx
A esperança E[ X ] é a média ponderada dos possíveis valores. Outro modo
de ver a esperança é como o centro de gravidade de um conjunto de partículas
cuja x-ésima partícula esta na posição x e tem massa p( x ).
3.27 Exemplo Determine o valor esperado quando rolamos um dado honesto. de-
nominado
1 2 3 4 5 6
E[ X ] = + + + + +
6 6 6 6 6 6
3.28 Exemplo Seja X uma variável aleatória que pode receber os valores −2, −
1,0,1 e 3 com respectivas probabilidades
P[ X = −2] = 0,2 P[ X = −1] = 0,4 P[ X = 0] = 0,2 P[ X = 1] = 0,1 P[ X = 3] = 0,1
Calcule E[ X 2 ] e E[ X ]2 ◁
3.29 Teorema Seja X uma variável aleatória, e g : R → R. Então a esperança de
g( X ) é dada por
E[ g( X ) = ∑ g( x ) p( x )
x
sempre que a última soma estiver bem definida.
Demonstração.
E[ g( X )] = ∑ yP[ g(X ) = y] = ∑ y ∑ P[ X = x ] (3.1)
y y x:g( x )=y
= ∑ ∑ yP[ X = x ] = ∑ ∑ g( x )P[ X = x ] (3.2)
y x:g( x )=y y x:g( x )=y
= ∑ g( x )P[ X = x ] (3.3)
x □
3.30 Corolário Se a e b são constantes então
E[ aX + b] = aE[ X ] + b
Para duas variáveis aleatórias X e Y no mesmo espaço amostral, podemos
definir novas variáveis aleatórias X + Y, X · Y, etc. como
( X + Y )(ω ) = X (ω ) + Y (ω ), e ( XY )(ω ) = X (ω )Y (ω ).
3.31 Teorema
E [ X + Y ] = E [ X ] + E [Y ]
54 cálculo de probabilidade
3.32 Teorema Se as variáveis aleatórias X e Y são independentes e E[ X ] e E[Y ]
são finitos, então E[ XY ] está bem definida e satisfaz
E[ XY ] = E[ X ]E[Y ].
3.33 Definição Definimos o n-ésimo momento da variável aleatória X como
E[ X n ] := ∑ xn p( x )
No caso contínuo temos:
Z +∞
Var( X ) = ( x − E( X ))2 f ( x ) dx = E( X 2 ) − E( X )2 .
−∞
3.5 Variância
A variância de uma variável aleatória é concebida para medir de que ma-
neira os resultados de uma variável aleatória estão espalhados Uma maneira
de fazer isso é olhar para o desvio "médio"da esperança, que é a esperança
de | X − E[ X ]|. Acontece que é mais conveniente para olhar para quadrado
( X − E( X ))2 em vez disso.
Uma vez que não faz muito sentido falar de desvio em relação à esperança
quando essa esperança é infinita no restante desta seção, assumimos que as
esperanças das variáveis aleatórias envolvidos são todos finitos.
3.34 Definição Definimos a variância de uma variável aleatória X, de esperança
finita µ como
Var[ X ] = E[( x − µ)2 ]
O desvio padrão σ( X ) de X é definido como a raiz quadrada da variância,
q
σ(X ) = Var[ X ].
3.35 Proposição
Var[ X ] = E[ X 2 ] − (E[ X ])2
Demonstração. Escreveremos E( X ) = µ. Então temos:
Var[ X ] = E( X 2 − 2µX + µ2 ) (3.4)
= E( X 2 ) − 2µE( X ) + µ2 (3.5)
= E( X 2 ) − 2µ2 + µ2 = E( X 2 ) − µ2 . (3.6)
□
variáveis aleatórias 55
3.36 Exemplo Determine a variância de um dado honesto. denominado
1 1 1 1 1 1 91
E[ X 2 ] = 1 + 4 + 9 + 16 + 25 + 36 =
6 6 6 6 6 6 6
7
Como E[ X ] = temos que
2
35
Var[ X ] =
12
3.37 Exemplo Considere o experimento de jogar 5 moedas honestas. Se H repre-
sentar o número de caras que aparecerem. Calcule a esperança e a variância de
H.
Lembramos que
15 1
P ( X = 0) = =
2 32
5
5 1 5
P ( X = 1) = =
1 2 32
5
5 1 10
P ( X = 2) = =
2 2 32
5
5 1 10
P ( X = 3) = =
3 2 32
5
5 1 5
P ( X = 4) = =
4 2 32
5
5 1 1
P ( X = 5) = =
5 2 32
Logo a esperança é
5 10 10 5 1 80 5
E[ H ] = 1 +2 +3 +4 +5 = =
32 32 32 32 32 32 2
Para o calculo da variância começaremos calculando
5 10 10 5 1 15
E[ H 2 ] = 1 + 4 + 9 + 16 + 25 =
32 32 32 32 32 2
Logo a variância é
15 25 5
Var[ X ] = − =
2 4 4
3.38 Teorema Dadas X e Y variáveis aleatoriamente e a, b ∈ R então
a Var( aX + b) = a2 Var( X ).
b Var( X + Y ) = Var( X ) + Var(Y ) + 2(E( XY ) − E( X )E(Y )). Em par-
56 cálculo de probabilidade
ticular, se X e Y são independentes, então
Var( X + Y ) = Var( X ) + Var(Y )