Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouSarah Portela Alterado mais de 10 anos atrás
1
Variáveis Aleatórias Uma variável aleatória associa um número real a cada resultado de um experimento aleatório. Mais precisamente…
2
Variáveis Aleatórias Uma variável aleatória é uma função (mensurável) X: W R que associa um número real a cada resultado de um experimento aleatório.
3
Exemplos de variáveis aleatórias
Moeda honesta lançada 3 vezes W = {ccc, cck, ckc, …} X = número de caras Y = número de transições Quando se observa cck: X = 2 Y = 1
4
Exemplos de variáveis aleatórias
Moeda honesta lançada 3 vezes W = {ccc, cck, ckc, …} X = número de caras Y = número de transições x 1 2 3 P(X=x)
5
Exemplos de variáveis aleatórias
Moeda honesta lançada 3 vezes W = {ccc, cck, ckc, …} X = número de caras Y = número de transições x 1 2 3 P(X=x) 1/8 3/8 função de massa de probabilidade (fmp) de X
6
Exemplos de variáveis aleatórias
Moeda honesta lançada 3 vezes W = {ccc, cck, ckc, …} X = número de caras Y = número de transições y 1 2 P(Y=y)
7
Exemplos de variáveis aleatórias
Moeda honesta lançada 3 vezes W = {ccc, cck, ckc, …} X = número de caras Y = número de transições y 1 2 P(Y=y) 1/4 2/4
8
Função de Distribuição Acumulada
A função de distribuição acumulada de uma variável aleatória X é a função FX: RR definida por FX(x) = P(X ≤ x)
9
Função de Distribuição Acumulada
Exemplo: x 1 2 3 P(X=x) 1/8 3/8 1 7/8 1/2 1/8 1 2 3 Se x < 0: P(X≤x) = 0 Se 0 ≤ x <1: P(X≤x) = P(X=0) = 1/8 Se 1 ≤ x <2: P(X≤x) = P(X=0 ou X=1) = 1/8 + 3/8 = 1/2
10
Função de Distribuição Acumulada
Roleta numerada continuamente de 0 a 10 X = prêmio ganho 0, se x < 0 P(X ≤ x) = x/10, se 0 ≤ x ≤ 10 1, se x > 10 1 10
11
Função de Distribuição Acumulada
Lança moeda honesta; se tirar cara, gira roleta numerada continuamente de 0 a 10 X = prêmio ganho
12
Função de Distribuição Acumulada
Lança moeda honesta; se tirar cara, gira roleta numerada continuamente de 0 a 10 X = prêmio ganho 0, se x < 0 P(X ≤ x) = ½ + ½ x/10, se 0 ≤ x ≤ 10 1, se x > 10 1 10
13
Tipos de Variáveis Aleatórias
Discretas FX(x) = xi x P(X = xi) (Absolutamente) Contínuas FX(x) = xi x fX(x) dx (onde fX(x) é a densidade de probabilidade de X) Mistas FX(x) = xi x P(X = xi) + xi x fX(x) dx (Há outras, mais patológicas …)
14
Exemplo 10 P(X = 0) = ½ 0, se x < 0 fX(x) = 1/20, se 0 x 10
15
Propriedades da F.D.A. FX é não-decrescente
lim x– FX(x) = 0, lim x+ FX(x) = 1 lim xa+ FX(x) = F(a) (continuidade à direita)
16
Função de Distribuição Acumulada
A f.d.a. caracteriza completamente a distribuição de qualquer v.a. (ou seja, conhecendo a f.d.a. podemos obter a probabilidade de qualquer evento envolvendo a v.a.) P(X = 2) = P(X = 3) = P(X < 3) = P(1 X 3) =
17
Principais Distribuições Discretas
Bernoulli Binomial Geométrica Hipergeométrica Poisson
18
Principais Distribuições Contínuas
Uniforme Exponencial Normal (e associadas: c2, t, F)
19
Bernoulli Espaço amostral binário (sucesso-fracasso, sim-não, 1-0) X =
1, com probabilidade p X = 0, com probabilidade 1–p Notação: X be(p)
20
Binomial Sequência de n experimentos de Bernoulli, independentes e com mesma probabilidade p de sucesso X = número de sucessos
21
Binomial Sequência de n experimentos de Bernoulli, independentes e com mesma probabilidade p de sucesso X = número de sucessos Cada uma das seqüências com k sucessos e n–k fracassos tem probabilidade pk (1–p)n-k . Logo: Notação: X B(n, p)
22
Geométrica Sequência de experimentos de Bernoulli, independentes e com mesma probabilidade p de sucesso X = lançamento em que ocorre o primeiro sucesso.
23
Geométrica Sequência de experimentos de Bernoulli, independentes e com mesma probabilidade p de sucesso X = lançamento em que ocorre o primeiro sucesso. X = k k–1 fracassos seguido de um sucesso Notação: X G(p)
24
Hipergeométrica Urna com N bolas, sendo B brancas, de onde são extraídas n bolas, sem reposição. X = número de bolas brancas extraídas Notação: X HG(N, B, n)
25
Exemplo Amostra de tamanho n extraída de uma população com N indivíduos, dos quais b são favoráveis a um candidato. Qual é a distribuição do número de pessoas favoráveis ao candidato na amostra?
26
Exemplo Amostra de tamanho n extraída de uma população com N indivíduos, dos quais B são favoráveis a um candidato. Qual é a distribuição do número de pessoas favoráveis ao candidato na amostra? Resposta: HG(N, B, n)
27
Exemplo Amostra de tamanho n extraída de uma população com N indivíduos, dos quais b são favoráveis a um candidato. Qual é a distribuição do número de pessoas favoráveis ao candidato na amostra? Resposta: HG(N, B, n) Mas, se n << N, aproximadamente B(n, B/N)
28
Distribuição de Poisson
Em média, um site de internet tem l = 0,5 acessos por segundo. Qual é o modelo apropriado para a distribuição do número de acessos efetuados em um segundo?
29
Distribuição de Poisson
Discretizar 1 segundo em n intervalos de duração 1/n Como o número de usuários é grande, é razoável considerar a existência de acessos neste intervalos como eventos independentes, cada um com probabilidade p. Para que o número médio de acessos por minuto seja igual a l, deve-se ter np = l.
30
Distribuição de Poisson
31
Distribuição de Poisson
Caso limite da distribuição binomial, quando n e np se mantém constante Acessos a sites Chegadas de consumidores a um banco Número de erros tipográficos em um texto Número de partículas radioativas emitidas
32
Exemplo No caso da página de internet, qual é a probabilidade de que haja pelo menos um acesso em um dado segundo?
33
Exemplo No caso da página de internet, qual é a probabilidade de que haja pelo menos um acesso em um dado segundo? P(X>0) = 1– P(X=0) = 1 – e-0.5 = 0,395
34
Exemplo Qual é a distribuição do número de acessos em um minuto?
35
Exemplo Qual é a distribuição do número de acessos em um minuto?
Poisson (30) Em geral, o número de acessos em um intervalo de duração t tem distribuição Poisson (lt)
36
Esperança Idéia: a esperança (ou valor esperado) de uma v.a. é o valor médio que se espera obter ao se repetir um experimento aleatório um grande número de vezes.
37
Esperança Exemplo: Quem acerta um dos 25 grupos no jogo do bicho ganha 18 vezes o valor apostado. Qual é o ganho esperado para quem aposta R$ 1,00?
38
Esperança Exemplo: Quem acerta um dos 25 grupos no jogo do bicho ganha 18 vezes o valor apostado. Qual é o ganho esperado para quem aposta R$ 1,00? Ganha-se 17 com probabilidade 1/25 -1 com probabilidade 24/25 Após um grande número n de apostas, o ganho médio é, aproximadamente:
39
Esperança O valor esperado de uma v.a. discreta X é:
EX = Si xi. P(X=xi) (ou seja, a média dos valores assumidos por X, ponderados por sua probabilidade) EX pode ser um número real, +, – , ou não estar definida.
40
Esperança finito EX R – EX = – + EX = + EX não definido
41
Paradoxo de S. Petersburgo
Jogo em que chance de vitória é 1/3, mas cuja aposta é 1:1. Estratégia: jogar até vencer, sempre dobrando o valor da aposta. Variáveis aleatórias de interesse: X = ganho quando se aposta 1. N = número de apostas até a saída. Y = ganho na saída.
42
Paradoxo de S. Petersburgo
X = –1, com prob. 2/ , com prob. 1/3 EX = –1/3. N é finito com prob. 1 Y = 1
43
Paradoxo de S. Petersburgo
Mas seja C o capital usado até a vitória
44
Propriedades E(aX + b) = aEX + b Mas, em geral, E(g(X)) g(E(X))
Exemplo: Y = X2 EX = (–1).0,2.(–1)+0.0,4+1.0,4 = 0,2 EY = 0.0,4+1.0,6 = 0,6 Note que EY = 02.P(X=0) P(X=1) + (–1)2 .P(X=–1) X p –1 0,2 0,4 1 Y p 0,4 1 0,6
45
Propriedades Para X discreta: E(g(X)) = Si g(xi) P(X=xi)
(Law of the unconscious statistician)
46
Propriedades E(X+Y) = EX + EY (sempre!)
E(XY) = EX EY, se X e Y são independentes
47
Exemplo Urna com 10 bolas, das quais 4 são brancas. Cinco bolas são retiradas. Qual é o número esperado de bolas brancas retiradas: com reposição? sem reposição?
48
Variância Var(X) = E(X–EX)2 = E(X2) –(EX)2
49
Propriedades Var(aX+b) = a2 Var(X)
Var(X+Y) = Var(X) + Var(Y) + 2Cov(X,Y)
50
Propriedades Se X1, X2, …, Xn são independentes, então Var(X1 + X2 +…+ Xn ) = Var(X1) + Var(X2) + …+ Var(Xn)
51
Exemplo X ~ binomial(p)
52
Variáveis Aleatórias Contínuas
F(x) = -x f(t) dt f 0 é a densidade de X P(a < X < b) = ab f(t) dt -+ f(t) dt = 1 f(x) = F’ (x) P(x–/2 < X < x+/2 ) f(x) x
53
Exemplo Seja X a abscissa de um ponto escolhido ao acaso no triângulo da figura. Qual é a densidade de X? 1 1
54
Solução 1 x 1
55
Outra solução 1 x 1
56
Esperança discreta: contínua: mista:
57
Principais Distribuições Contínuas
Uniforme Exponencial Gama Normal (e associadas: c2, t, F)
58
Distribuição Uniforme
fX 1/(b-a) a b 1 FX a b
59
Distribuição Exponencial
De volta ao exemplo do site na Internet. Qual é a distribuição do tempo de espera X até a ocorrência do primeiro acesso? X > t se e só se o número de acessos em [0, t] é igual a 0 Logo, P(X>t) = P(N = 0), onde N~Poisson(lt) Portanto, P(X>t) = e-lt
60
Distribuição Exponencial
X tem distribuição exponencial com parâmetro l quando FX (x) = 1–e – lx, para x >0 Ou seja, fX(x) = le – lx , para x > 0
61
Exemplo O tempo de vida, em meses, de um componente tem distribuição exponencial de parâmetro l = 0,5. Qual é a probabilidade de que um componente novo dure pelo menos 2 meses? Dado que um componente usado já tem 1 mês de vida, qual é a probabilidade de que ele dure pelo menos mais dois meses?
62
Processo de Poisson Tempo entre chegadas consecutivas independentes, com distribuição exponencial (l) Número de chegadas em intervalos disjuntos independentes e com distribuição Poisson (lt), onde t é o comprimento do intervalo
63
Exemplo Os acidentes em uma rodovia ocorrem de acordo com um Processo de Poisson de taxa 2 acidentes por dia Número médio de acidentes por semana? Número médio de dias sem acidentes por semana? Intervalo médio entre acidentes? Probabilidade de que haja 2 acidentes na 2a e 1 na 3a? Probabilidade de que o primeiro acidente em um certo dia só ocorra depois das 12 horas?
64
Distribuição Normal A distribuição normal padrão é a distribuição da variável aleatória Z de densidade Notação: Z ~ N(0, 1) EZ = 0, Var Z = 1
65
Distribuição Normal Uma variável X tem distribuição normal com parâmetros m (média) e s2 (variância) quando é da forma X = sZ + m, onde Z~N(0,1) Notação: X~N(m, s2)
66
Distribuição Normal Qual é a densidade da distribuição X~N(m, s2)?
De modo geral, qual é a densidade de g(X), onde g é uma função inversível e X é uma v. a. de densidade f?
67
Transformando uma v. a. A densidade de Y = g(X) é dada por
onde x é tal que g( x) = y.
68
Transformando uma v.a. Caso particular: Se X tem densidade f, então
Y = aX + b (a>0) tem densidade X= Y/2 X Y = 2X Y
69
Densidade da distribuição normal
A densidade da v.a. X com distribuição normal N(m, s2) é
70
Exemplo As notas dos alunos em um teste têm distribuição normal com média 70 e desvio padrão 10. Se um aluno for escolhido ao acaso, qual é a probabilidade de que sua nota seja maior que 85? Qual é a nota correspondente ao percentil 95%?
71
V. A. Multidimensionais Exemplo: moeda honesta lançada 3 vezes
X = número de caras Y = número de transições Qual é a probabilidade de que X = 2 e Y =1? x 1 2 3 P(X=x) 1/8 3/8 y 1 2 P(Y=y) 1/4 2/4
72
V. A. Multidimensionais Não se pode responder (em geral) a partir das distribuições individuais (marginais) de X e Y. Pode-se responder com base na distribuição de (X, Y), também chamada de distribuição conjunta de X e Y.
73
Distribuição Conjunta
w X Y ccc 3 cck 2 1 ckc kcc ckk kck kkc kkk
74
Distribuição Conjunta
w P X Y ccc 1/8 3 cck 2 1 ckc kcc ckk kck kkc kkk X Y 1 2 3
75
Distribuição Conjunta
w P X Y ccc 1/8 3 cck 2 1 ckc kcc ckk kck kkc kkk X Y 1 2 3 1/8 - 2/8 P(X=2 e Y =1) = 2/8
76
Distribuição Conjunta
A distribuição conjunta de X = (X1, X2, ..., Xn) completamente caracteriza probabilidades envolvendo X1, X2, ..., Xn e quaisquer subconjuntos delas (distribuições marginais).
77
Distribuição Conjunta
X Y 1 2 3 1/8 - 2/8
78
Distribuição Conjunta
X Y 1 2 3 1/8 - 1/4 2/8 1/2 3/8
79
Função de Distribuição Acumulada
A distribuição conjunta de X = (X1, X2, ..., Xn) é completamente caracterizada pela sua função de distribuição acumulada. FX1, X2, ... Xn (x1, x2, ..., xn) = P(X1 x1, X2 x2, ..., Xn xn) Exemplo FX1(x1) = ?
80
Função de Distribuição Acumulada
A distribuição conjunta de X = (X1, X2, ..., Xn) é completamente caracterizada pela sua função de distribuição acumulada. FX1, X2, ... Xn (x1, x2, ..., xn) = P(X1 x1, X2 x2, ..., Xn xn) Exemplo FX1(x1) = limx2 , ..., xn FX1, X2, ... Xn (x1, x2, ..., xn)
81
Tipos de distribuição conjunta
Discretas Quando existe um conjunto enumerável A = {x1, x2, ...} tal que P(X A) = 1. Neste caso, P(X B) = xi B P(X = xi)
82
Tipos de distribuição conjunta
Discretas Quando existe um conjunto enumerável A = {x1, x2, ...} tal que P(X A) = 1. Neste caso, P(X B) = xi B P(X = xi) Contínuas Quando existe uma função de densidade f tal que Neste caso:
83
Exemplo Um ponto (X, Y) é escolhido no quadrado unitário com densidade proporcional a x+y. Qual é a função de densidade? Qual é a probabilidade de que X seja menor que 1/2?
84
Propriedades Esperança de funções de v.a. multidimensionais
E(g(X)) = Si g(xi) P(X=xi) (discreta) E(g(X)) = Rn g(x) fX(x) dx (contínua) Casos particulares: EX = R2 x fX,Y(x,y) dy dx E(X+Y) = R2 (x+y) fX,Y(x,y) dy dx = = R2 x fX,Y(x,y) dy dx + R2 y fX,Y(x,y) dy dx = EX +EY
85
Propriedades Em geral, E (XY) EX EY
Mas E(XY) = EX EY se X e Y são independentes.
86
Observação X, Y independentes E(XY) = EX EY
E(XY) = EX EY X, Y independentes não correlacionadas
87
Covariância e Correlação
Cov(X, Y) = E(X–EX)(Y–EY) = = E(XY) – EX EY r(X, Y) = Cov(X,Y)/s(X)s(Y) Teorema: –1 ≤ r(X, Y) ≤ 1
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.