📈 Aula 04: Variáveis Aleatórias Unidimensionais, Função de Distribuição Acumulada, Esperança e Variância

MOC da Disciplina • MOC da Área 01 ← Aula Anterior: Probabilidade Condicional e Bayes • Próxima Aula: Distribuições Discretas e Contínuas →

---

Integração Curricular & Contexto

• Disciplina: Probabilidade e Estatística
• Área: 01 Matemática e Estatística
• Material Oficial Base: Variáveis aleatórias unidimensionais
• Objetivo: Formalizar a transição entre a teoria axiomática dos conjuntos abstratos e a análise quantitativa contínua e discreta em engenharia através do conceito de variável aleatória ($X:\Omega \to \mathbb{R}$). Dominar a Função de Probabilidade ($pmf$), a Função Densidade de Probabilidade ($pdf$) e a Função de Distribuição Acumulada ($CDF$). Calcular e interpretar momentos de ordem $n$, com ênfase no Primeiro Momento Central (Esperança/Média $\mu$), no Segundo Momento Central (Variância ${\sigma }^2$), no Desvio Padrão ($\sigma$) e suas transformações lineares, aplicando-os à modelagem de ruído elétrico, valor eficaz ($RMS$) e dissipação de potência em circuitos elétricos.

---

📌 Sumário da Aula

1. 1. Conceito Formal de Variável Aleatória (v.a.)
   • 1.1 Mapeamento Matemático
   • 1.2 Classificação
2. 2. Caracterização de Variáveis Aleatórias Discretas
   • 2.1 Função de Probabilidade ($pmf$)
   • 2.2 Função de Distribuição Acumulada ($CDF$)
3. 3. Caracterização de Variáveis Aleatórias Contínuas
   • 3.1 Função Densidade de Probabilidade ($pdf$)
   • 3.2 Função de Distribuição Acumulada Contínua ($CDF$)
4. 4. Momentos Estatísticos
   • 4.1 Esperança Matemática ($E(X)$ ou $\mu$)
   • 4.2 Esperança de uma Função $g(X)$ (Teorema do Estatístico Inconsciente)
   • 4.3 Variância ($Var(X)$ ou $\sigma^2$)
   • 4.4 Propriedades Operacionais de Escala e Translação
5. 5. Aplicações na Engenharia Elétrica
   • 5.1 Ruído Térmico Johnson-Nyquist em Circuitos
   • 5.2 Relação entre Valor Eficaz ($V_{RMS}$) e Momentos
6. 6. 💻 Laboratório Computacional em Python (SymPy & SciPy)
7. 7. 📚 Questões de Fixação Resolvidas e Exercícios Práticos (Auditadas)
   • Questão 01 (Oficial - Material Base: Lançamento de Três Moedas e v.a. Discreta)
   • Questão 02 (Oficial - Material Base: Esperança de Variável Aleatória Contínua)
   • Questão 03 (Oficial - Material Base: Propriedades de Escala do Desvio Padrão)
   • Questão 04 (Oficial - Material Base / ANPEC: Densidade e Constante de Normalização)
8. 8. Considerações Finais e Próximos Passos

---

1. Conceito Formal de Variável Aleatória (v.a.)

1.1 Mapeamento Matemático

Dado um espaço de probabilidade $(\Omega ,\mathcal{F},P)$, uma variável aleatória $X$ é uma função mensurável que associa a cada resultado elementar $\omega \in \Omega$ um número real $x\in \mathbb{R}$: $X:\Omega \to \mathbb{R},\omega \mapsto X(\omega )=x$

Figura 1: Variáveis Aleatórias Discretas e Contínuas, Função de Distribuição Acumulada F(x), Esperança e Variância.

1.2 Classificação

1. Variável Aleatória Discreta: A imagem $R_X=X(\Omega )$ é um conjunto finito ou infinito enumerável ($\{x_1,x_2,\dots \}$).
2. Variável Aleatória Contínua: A imagem $R_X$ assume valores em qualquer intervalo contínuo de $\mathbb{R}$. A probabilidade de assumir exatamente um ponto individual isolado é nula: $P(X=x_0)=0,\forall x_0\in \mathbb{R}$.

---

2. Caracterização de Variáveis Aleatórias Discretas

2.1 Função de Probabilidade ($pmf$)

Para uma v.a. discreta $X$, a função de probabilidade $p(x)$ fornece a probabilidade pontual associada a cada valor possível $x_i$: $p(x_i)=P(X=x_i)$ Satisfazendo:

1. $p(x_i)\ge 0,\forall x_i$
2. ${\sum }_{i}p(x_i)=1$

2.2 Função de Distribuição Acumulada ($CDF$)

A função acumulada $F(x)$ acumula a massa de probabilidade até o ponto $x$: $F(x)=P(X\le x)={\sum }_{x_i\le x}p(x_i)$ Para variáveis discretas, $F(x)$ é uma função degrau, contínua à direita e monótona não decrescente.

---

3. Caracterização de Variáveis Aleatórias Contínuas

3.1 Função Densidade de Probabilidade ($pdf$)

Uma função $f(x)$ é dita densidade de probabilidade de $X$ se satisfaz:

1. $f(x)\ge 0,\forall x\in \mathbb{R}$
2. ${\int }_{-\infty }^{+\infty }f(x)dx=1$ (área sob a curva normalizada para 1)

A probabilidade de $X$ pertencer ao intervalo $[a,b]$ é a integral definida sob a curva de densidade: $P(a\le X\le b)={\int }_a^{b}f(x)dx$

Geometricamente, a probabilidade $P(a\le X\le b)$ corresponde à área sob a curva de densidade $f(x)$ delimitada pelas abscissas $x=a$ e $x=b$, satisfazendo: $P(a\le X\le b)={\int }_a^{b}f(x)dx=F(b)-F(a)$

3.2 Função de Distribuição Acumulada Contínua ($CDF$)

Definida como: $F(x)=P(X\le x)={\int }_{-\infty }^{x}f(u)du$ Pelo Teorema Fundamental do Cálculo, nos pontos onde $f(x)$ é contínua: $f(x)=\frac{d}{dx}F(x)$ Propriedades operacionais imediatas:

• $P(a<X\le b)=F(b)-F(a)$
• ${\lim }_{x\to -\infty }F(x)=0$
• ${\lim }_{x\to +\infty }F(x)=1$

---

4. Momentos Estatísticos

4.1 Esperança Matemática ($E(X)$ ou $\mu$)

Representa o centro de massa ou média ponderada da distribuição de probabilidade:

• Caso Discreto: $\mu =E[X]={\sum }_i{x}_i\cdot p(x_i)$
• Caso Contínuo: $\mu =E[X]={\int }_{-\infty }^{+\infty }x\cdot f(x)dx$

4.2 Esperança de uma Função $g(X)$ (Teorema do Estatístico Inconsciente)

undefined