P. 1
Variáveis Aleatórias

Variáveis Aleatórias

|Views: 2|Likes:
Published by Gui Pereira

More info:

Published by: Gui Pereira on Apr 17, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

12/13/2013

pdf

text

original

Sections

  • Tipos de Variáveis Aleatórias
  • Propriedades da F.D.A
  • Principais Distribuições Discretas
  • Bernoulli
  • Hipergeométrica
  • Exemplo
  • Variância
  • Variáveis Aleatórias Contínuas
  • Solução
  • Outra solução
  • Esperança
  • Distribuição Uniforme
  • Processo de Poisson
  • Transformando uma v. a
  • Transformando uma v.a
  • Densidade da distribuição normal
  • Observação
  • Covariância e Correlação

Variáveis Aleatórias

• Uma variável aleatória associa um número
real a cada resultado de um experimento
aleatório.

• Mais precisamente…



Variáveis Aleatórias
• Uma variável aleatória é uma função
(mensurável) X: O ÷ R que associa um
número real a cada resultado de um
experimento aleatório.



Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
O = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições
Quando se observa cck:
X = 2
Y = 1
Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
O = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições

x 0 1 2 3
P(X=x)
Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
O = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições

x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
função de massa de probabilidade (fmp) de X
Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
O = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições

y 0 1 2
P(Y=y)
Exemplos de variáveis
aleatórias
• Moeda honesta lançada 3 vezes
O = {ccc, cck, ckc, …}
X = número de caras
Y = número de transições

y 0 1 2
P(Y=y) 1/4 2/4 1/4
Função de Distribuição Acumulada
• A função de distribuição acumulada de
uma variável aleatória X é a função F
X
:
R÷R definida por
F
X
(x) = P(X ≤ x)

Função de Distribuição Acumulada
• Exemplo:

x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
1 2 3
1/8
1/2
7/8
1
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
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
10
1
Função de Distribuição Acumulada
• Lança moeda honesta; se tirar cara, gira roleta
numerada continuamente de 0 a 10
X = prêmio ganho
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
10
1
Tipos de Variáveis Aleatórias
• Discretas
F
X
(x) = E
x
i
s x
P(X = x
i
)
• (Absolutamente) Contínuas
F
X
(x) = }
x
i
s x
f
X
(x) dx
(onde f
X
(x) é a densidade de probabilidade de
X)
• Mistas
F
X
(x) = E
x
i
s x
P(X = x
i
) + }
x
i
s x
f
X
(x) dx
(Há outras, mais patológicas …)

Exemplo
10
1
P(X = 0) = ½
0, se x < 0
f
X
(x) = 1/20, se 0 s x s 10
0, se x > 10
Propriedades da F.D.A.
• F
X
é não-decrescente

• lim
x÷–·
F
X
(x) = 0, lim
x÷+·
F
X
(x) = 1

• lim
x÷a+
F
X
(x) = F(a) (continuidade à
direita)


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.)


1 3
0,4
1
x
F
X
(x)
0,65
P(X = 2) =

P(X = 3) =

P(X < 3) =

P(1 s X s 3) =
Principais Distribuições
Discretas
• Bernoulli
• Binomial
• Geométrica
• Hipergeométrica
• Poisson
Principais Distribuições Contínuas
• Uniforme
• Exponencial
• Normal (e associadas: _
2
, t, F)
Bernoulli
• Espaço amostral binário (sucesso-
fracasso, sim-não, 1-0)
1, com probabilidade p
• X =
0, com probabilidade 1–p

Notação: X ~ be(p)
Binomial
• Sequência de n experimentos de Bernoulli,
independentes e com mesma probabilidade p de
sucesso
• X = número de sucessos






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 p
k

(1–p)
n-k
. Logo:



Notação: X ~ B(n, p)

n k p p
k
n
k X P
k n k
,..., 1 , 0 , ) 1 ( ) ( = ÷
|
|
.
|

\
|
= =
÷
|
|
.
|

\
|
k
n
Geométrica
• Sequência de experimentos de Bernoulli,
independentes e com mesma probabilidade p
de sucesso
• X = lançamento em que ocorre o primeiro
sucesso.





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)

,... 3 , 2 , 1 , ) 1 ( ) (
1
= ÷ = =
÷
k p p k X P
k
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)
|
|
.
|

\
|
|
|
.
|

\
|
÷
÷
|
|
.
|

\
|
= =
n
N
b n
B N
b
B
b X P ) (
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?
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)
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)
Distribuição de Poisson
• Em média, um site de internet tem ì = 0,5
acessos por segundo. Qual é o modelo
apropriado para a distribuição do número
de acessos efetuados em um segundo?

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 ì, deve-se ter np = ì.
Distribuição de Poisson
,... 2 , 1 , 0 ,
!
1 1
) 1 )...( 1 (
lim
!
1
)! ( !
!
lim ) (
) , ( ~ onde ), ( lim ) (
=
ì
=
|
.
|

\
|
ì
÷
|
.
|

\
|
ì
÷
+ ÷ ÷ ì
=
=
|
.
|

\
|
ì
÷
|
.
|

\
|
ì
÷
= =
ì
= = = =
ì ÷
÷
· ÷
÷
· ÷
· ÷
k e
k
n n
n
k n n n
k
n n k n k
n
k X P
n
p n B Y k Y P k X P
k
k n
k
n
k
k n k
n
n
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

Exemplo
• No caso da página de internet, qual é a
probabilidade de que haja pelo menos um
acesso em um dado segundo?
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
Exemplo
• Qual é a distribuição do número de
acessos em um minuto?


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 (ìt)
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.

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?
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:

28 , 0 $
25
7
25
24
). 1 (
25
1
. 17
R
n
n n
÷ = ÷ =
÷ +
Esperança
• O valor esperado de uma v.a. discreta X
é:
EX = E
i
x
i
.
P(X=x
i
)
(ou seja, a média dos valores assumidos
por X, ponderados por sua probabilidade)

• EX pode ser um número real, +·, –· , ou
não estar definida.
Esperança
) ( ) (
0 0
i
x
i i
x
i
x X P x x X P x EX
i i
¿
= +
¿
= =
< >
finito finito EX e R
–· finito EX = –·
finito +· EX = +·
–· +· EX não definido
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.
Paradoxo de S. Petersburgo
• X = –1, com prob. 2/3
1, com prob. 1/3
EX = –1/3.
• N é finito com prob. 1


• Y = 1

3 .... 3 .
3
1
.
3
2
2 .
3
1
.
3
2
1 .
3
1
2
= +
|
.
|

\
|
+ + = EN
Paradoxo de S. Petersburgo
• Mas seja C o capital usado até a vitória

· + =
+ ÷
|
.
|

\
|
+ +
|
.
|

\
|
+ + =
÷
... ) 1 2 .(
3
1
.
3
2
.... 7 .
3
1
.
3
2
3 .
3
1
.
3
2
1 .
3
1
1 2
n
n
EC
Propriedades
• E(aX + b) = aEX + b
• Mas, em geral, E(g(X)) = g(E(X))
• Exemplo: Y = X
2
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 = 0
2
.P(X=0)

+ 1
2
.P(X=1)

+ (–1)
2
.P(X=–1)


X p
–1 0,2
0 0,4
1 0,4
Y p
0 0,4
1 0,6
Propriedades
• Para X discreta:
E(g(X)) = E
i
g(x
i
) P(X=x
i
)

(Law of the unconscious statistician)

Propriedades
• E(X+Y) = EX + EY (sempre!)

• E(XY) = EX EY, se X e Y são
independentes
Exemplo
• Urna com 10 bolas, das quais 4 são brancas. Cinco
bolas são retiradas. Qual é o número esperado de
bolas brancas retiradas:
a) com reposição?
b) sem reposição?
Variância
• Var(X) = E(X–EX)
2
= E(X
2
) –(EX)
2
Propriedades
• Var(aX+b) = a
2
Var(X)


• Var(X+Y) = Var(X) + Var(Y) + 2Cov(X,Y)
Propriedades
• Se X
1
, X
2
, …, X
n
são independentes,
então

Var(X
1
+ X
2
+…+ X
n
) =

Var(X
1
) + Var(X
2
) + …+ Var(X
n
)
Exemplo
• X ~ binomial(p)
Variáveis Aleatórias Contínuas
F(x) = }

x
f(t) dt
• f > 0 é a densidade de X
• P(a < X < b) = }
a
b
f(t) dt
• }


f(t) dt = 1
• f(x) = F’ (x)
• P(x–c
/
2
< X < x+c
/
2
) ~ c f(x)



x
c
Exemplo
• Seja X a abscissa de um ponto escolhido
ao acaso no triângulo da figura. Qual é a
densidade de X?
1
1
Solução
1
1
x
) 1 0 ( 2 ) ( ) (
2 / 1 . 1
2 / .
) ( ) (
2
2
< < = = =
= = s =
x x x
dx
d
x F
dx
d
x f
x
x x
x X P x F
Outra solução
1
1
x
) 1 0 ( 2 ) (
2 1
2 2
) (
1
0
1
0
2
< < =
= ¬ = =
(
(
¸
(
=
=
}
x x x f
k
k kx
kx
kx x f
Esperança

– discreta:


– contínua:


– mista:



¿
}

· ÷
+ = =
i
X i i
dx x f x x X P x EX ) ( ) (
}

· ÷
= dx x f x EX
X
) (
¿
= =
i
i i
x X P x EX ) (
Principais Distribuições Contínuas
• Uniforme
• Exponencial
• Gama
• Normal (e associadas: _
2
, t, F)
Distribuição Uniforme
a
b
1/(b-a)
a
b
1
f
X

F
X
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(ìt)
• Portanto, P(X>t) = e
-ìt

Distribuição Exponencial
• X tem distribuição exponencial com
parâmetro ì quando
F
X
(x) = 1–e
– ìx
, para x >0
• Ou seja,
f
X
(x) = ìe
– ìx
, para x > 0
Exemplo
• O tempo de vida, em meses, de um
componente tem distribuição
exponencial de parâmetro ì = 0,5.
a) Qual é a probabilidade de que um
componente novo dure pelo menos 2
meses?
b) Dado que um componente usado já tem 1
mês de vida, qual é a probabilidade de que
ele dure pelo menos mais dois meses?

Processo de Poisson
• Tempo entre chegadas consecutivas
independentes, com distribuição
exponencial (ì)
• Número de chegadas em intervalos
disjuntos independentes e com
distribuição Poisson (ìt), onde t é o
comprimento do intervalo
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 2
a
e 1 na
3
a
?
– Probabilidade de que o primeiro acidente em um
certo dia só ocorra depois das 12 horas?
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
2
2
2
1
) (
z
Z
e z f
÷
=
t
Distribuição Normal
• Uma variável X tem distribuição normal
com parâmetros µ (média) e o
2
(variância)
quando é da forma X = oZ + µ, onde
Z~N(0,1)

• Notação: X~N(µ, o
2
)

Distribuição Normal
• Qual é a densidade da distribuição
X~N(µ, o
2
)?

• 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?

Transformando uma v. a.
• A densidade de Y = g(X) é dada por




onde x é tal que g( x) = y.
| ) ( ' |
) (
) (
x g
x f
y f
X
Y
=
Transformando uma v.a.
• Caso particular: Se X tem densidade f,
então

Y = aX + b (a>0) tem densidade


X
Y
Y = 2X X= Y/2
|
.
|

\
|
÷
a
b y
f
a
1
Densidade da distribuição
normal
• A densidade da v.a. X com distribuição normal
N(µ, o
2
) é
2
2
2
) (
2
1
) (
o
µ
o t
÷
÷
=
x
X
e x f
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%?
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 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
y 0 1 2
P(Y=y) 1/4 2/4 1/4
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.
Distribuição Conjunta
e X Y
ccc 3 0
cck 2 1
ckc 2 2
kcc 2 1
ckk 1 1
kck 1 2
kkc 1 1
kkk 0 0
Distribuição Conjunta
e P X Y
ccc 1/8 3 0
cck 1/8 2 1
ckc 1/8 2 2
kcc 1/8 2 1
ckk 1/8 1 1
kck 1/8 1 2
kkc 1/8 1 1
kkk 1/8 0 0
X
Y
0 1 2 3
0
1
2
Distribuição Conjunta
e P X Y
ccc 1/8 3 0
cck 1/8 2 1
ckc 1/8 2 2
kcc 1/8 2 1
ckk 1/8 1 1
kck 1/8 1 2
kkc 1/8 1 1
kkk 1/8 0 0
X
Y
0 1 2 3
0 1/8 - - 1/8
1 - 2/8 2/8 -
2 - 1/8 1/8 -
P(X=2 e Y =1) = 2/8
Distribuição Conjunta
• A distribuição conjunta de X = (X
1
, X
2
, ...,
X
n
) completamente caracteriza
probabilidades envolvendo X
1
, X
2
, ..., X
n
e
quaisquer subconjuntos delas
(distribuições marginais).

Distribuição Conjunta
X
Y
0 1 2 3 Y
0 1/8 - - 1/8
1 - 2/8 2/8 -
2 - 1/8 1/8 -
X
Distribuição Conjunta
X
Y
0 1 2 3 Y
0 1/8 - - 1/8 1/4
1 - 2/8 2/8 - 1/2
2 - 1/8 1/8 - 1/4
X 1/8 3/8 3/8 1/8
Função de Distribuição Acumulada
• A distribuição conjunta de X = (X
1
, X
2
, ...,
X
n
)

é completamente caracterizada pela
sua função de distribuição acumulada.

F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
) =
P(X
1
s x
1
, X
2
s x
2
, ..., X
n
s x
n
)
• Exemplo
F
X
1
(x
1
) = ?

Função de Distribuição Acumulada
• A distribuição conjunta de X = (X
1
, X
2
, ...,
X
n
)

é completamente caracterizada pela
sua função de distribuição acumulada.

F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
) =
P(X
1
s x
1
, X
2
s x
2
, ..., X
n
s x
n
)
• Exemplo
F
X
1
(x
1
) = lim
x
2
÷·, ..., x
n
÷·
F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
)
Tipos de distribuição conjunta
• Discretas
Quando existe um conjunto enumerável
A = {x
1
, x
2
, ...} tal que P(X e A) = 1.
Neste caso, P(X e B) = ¿
x
i
e B
P(X = x
i
)

Tipos de distribuição conjunta
• Discretas
Quando existe um conjunto enumerável
A = {x
1
, x
2
, ...} tal que P(X e A) = 1.
Neste caso, P(X e B) = ¿
x
i
e B
P(X = x
i
)

• Contínuas
Quando existe uma função de densidade f tal
que

Neste caso:

1 2 2 1 2 1 ,..., ,
... ) ,... , ( ... ) ,..., , (
1 2
2 1
dt dt dt t t t f x x x F
n n
x x x
n X X X
n
n
} } }
· ÷ · ÷ · ÷
=
1 2 2 1
... ) ,... , ( ... ) ( dt dt dt t t t f B P
n n
B
} } }
= e X
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?

Propriedades
• Esperança de funções de v.a. multidimensionais
E(g(X)) = E
i
g(x
i
) P(X=x
i
) (discreta)
E(g(X)) = }
R
n
g(x) f
X
(x) dx (contínua)
• Casos particulares:
• EX = }
R
2
x f
X,Y
(x,y) dy dx

• E(X+Y) = }
R
2
(x+y) f
X,Y
(x,y) dy dx =
= }
R
2
x f
X,Y
(x,y) dy dx + }
R
2
y f
X,Y
(x,y) dy dx = EX +EY
Propriedades
• Em geral, E (XY) = EX EY
• Mas E(XY) = EX EY se X e Y são
independentes.
EY EX dy y f y dx x f x
dx dy y f y x f x
dx dy y f x f xy
dx dy y x f xy XY E
Y X
Y X
Y X
Y X
=
} }
=
|
.
|

\
|
} }
=
} }
=
} }
=
· +
· ÷
· +
· ÷
· +
· ÷
· +
· ÷
· +
· ÷
· ÷
· ÷

· ÷
÷·
· ÷
) ( ) (
) ( ) (
) ( ) (
) , ( ) (
,
Observação
• X, Y independentes ¬ E(XY) = EX EY
• E(XY) = EX EY ¬ X, Y independentes
não correlacionadas
Covariância e Correlação
• Cov(X, Y) = E(X–EX)(Y–EY) =
= E(XY) – EX EY

• µ(X, Y) = Cov(X,Y)/o(X)o(Y)

• Teorema: –1 ≤ µ(X, Y) ≤ 1



You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->