Damos o nome de variável aleatória (VA) a qualquer função X:Ω→Rn que verifique uma condição de mensurabilidade.
Uma VA diz-se unidimensional se n=1, bidimensional se n=2 e multidimensional se n>2.
O conjunto X(Ω)⊂Rn é normalmente representado por RX.
Dizemos que uma VA é:
discreta se RX for contável;
contínua se RX não for contável;
Essencialmente, uma VA deve ser entendida como uma função que, para uma EA, traduz os resultados dessa EA.
Vamos ver alguns exemplos:
Exemplo 1
Considere-se a experiência aleatória correspondente a lançar um dado ao ar.
O espaço de resultados desta EA é o seguinte:
Ω={Saiu 1,Saiu 2,Saiu 3,Saiu 4,Saiu 5,Saiu 6}
Uma variável aleatória que fará sentido é a função X:Ω→R tal que:
X(Saiu 1)=1X(Saiu 2)=2⋯X(Saiu 6)=6
Agora já temos uma tradução da nossa experiência em números, pelo que podemos fazer continhas!!!
Exemplo 2
Considere-se a experiência aleatória que consiste em lançar um objeto ao ar e medir quantos tempo ele demora a cair no chão.
O espaço de resultados desta EA é
Ω={O objeto demorou x a cair:x∈R+}
Uma variável aleatória que fará sentido definir é a função X:Ω→R tal que:
X(O objeto demorou x a cair)=x
Note-se que tanto neste exemplo como no anterior podiamos ter definido qualquer outra VA que nos apetecesse.
No entanto estas são as que nos farão mais sentido para trabalhar com elas.
Wait... O que raio é uma condição de mensurabilidade???
Mais uma vez, perceber o que é uma condição de mensurabilidade não é necessário para trabalhos/exame/projeto.
É um conceito abstrato e difícil de interiorizar, pelo que quem tiver dificuldades com ele está melhor a saltar à frente.
De qualquer forma, para quem tiver interesse, fica a definição - note-se que este conceito pode ser relevante em oral!
Condição de mensurabilidade
Dizemos que uma VA X unidimensional tem uma condição de mensurabilidade se qualquer conjunto da forma ]−∞,x] (x∈R) tiver imagem inversa segundo X. Isto é, para qualquer conjunto x∈R, existe um evento A∈Σ tal que X(A)=]−∞,x].
Para analisar probabilidades, atribuimos a VA's X uma função de probabilidade P:Ω→[0,1] definida por
P(X=x)=P({ω∈Ω:X(ω)=x})
Em relação a VA's, é também comum definir a função de distribuição (fd) como a função FX(x):R→[0,1] tal que
FX(x)=P(X≤x)
Dependendo se a VA é discreta ou contínua, esta função tem restrições e propriedades diferentes (apesar de análogas).
Nomeadamente, para VA's discretas é possível usar somatórios, já que Ω é contável.
Para VA's contínuas, por contraste, teremos de trabalhar com integrais.
Está então na altura de analisar cada caso em separado.
Variáveis Aleatórias Discretas
A funçao de probabilidade de uma VA discreta deve ser tal que:
P(X=x)>0,∀x∈RX
∑x∈RXP(X=x)=1
Para VA's contínuas é evidente que a função de distribuição pode ser dada por
FX(x)=P(X≤x)=y∈RX,y≤x∑P(X=y)
As VA's discretas satisfazem as seguintes propriedades:
FX é monótona crescente, contínua à direita e tem #RX pontos de descontínuidade. Consequentemente, o gráfica da fd de uma VA discreta é algo parecido a:
FX(−∞)=limx→−∞FX(x)=0;
FX(+∞)=limx→+∞FX(x)=1;
P(X<x)=P(X≤x)−P(X=x)=FX(x)−P(X=x);
P(X>x)=1−P(X≤x)=1−FX(x);
P(a<X≤b)=FX(b)−FX(a);
P(a<X<b)=FX(b)−FX(a)−P(X=b);
P(a≤X≤b)=FX(b)−FX(a)+P(X=a);
P(a≤X<b)=FX(b)−FX(a)+P(X=a)−P(X=b);
Variáveis Aleatórias Contínuas
Para VA's contínuas temos que qualquer evento elementar é impossível.
Isto é:
P(X=x)=0,∀x∈R
Então, a melhor forma de caracterizar VA's contínuas é através da sua função de distribuição.
Dizemos entao que uma VA X é contínua se e só se:
Possuir uma função distribuição FX(x) contínua e crescente (em sentido lato) em R;
Existir uma função fX(x):R→R0+ tal que
FX(x)=∫−∞xfX(t)dt
A esta função dá-se o nome de função de densidade de probabilidade (fdp).
As VA's contínuas têm as seguintes propriedades:
Um gráfico vagamente semelhante ao representado abaixo, devido à continuidade e monotonicidade lata:
fX(x)=δxδFX(x)
FX(−∞)=0, FX(+∞)=1 e, consequentemente, 0≤FX(x)≤1 para qualquer x∈R;