CIAW PRE Helios Malebranche 138-195

Aula 11
16:44 prof.helios.ufrj@gmail.com 138

2.3 Distribuições Especiais (contínuas)
Distribuição Uniforme
Na ausência de informação, é comum a hipótese de que todos os possíveis

resultados de um experimento aleatório possuem a mesma probabilidade.
Ω⸦R
Exemplos: ?

Gráficos da Distribuição Uniforme
FDP (Fç. Distribuição de Prob.) fdp (fç. Densidade de prob.)
P[c, d]
c d c d
Fx(c) = P(x ≤ c) P[c, d]
P(c) = 0

2.3 Distribuições Especiais (discretas)
Distribuição Triangular de v.a. Contínua
Aplicação Real (Petrobras):

Casos em que se conhece apenas a faixa de valores possíveis (mínimo = a
e máximo = b) e um eventual ponto de máxima probabilidade:
px(X) = 0 se X<a ou se X>b
px(c) = Máx px(X)

Distribuição Normal
ou
Gaussiana

Distribuição Normal ou Gaussiana
Teorema do Limite Central

Sejam X1, X2, X3 … variáveis aleatórias (contínuas ou discretas, mesmo com
diferentes distribuições) independentes. Então:
Y = X1 + X2 + X3 + …
é uma v.a. Normal ou Gaussiana.

Como vimos, se X é uma v.a. contínua com fdp dada por px, temos que:
E essa v.a. Contínua X é dita v.a. Normal ou v.a. Gaussiana quando a fdp px é
dada por:
Essa fdp depende de dois parâmetros. O parâmetro μ é relacionado com o

centro dos dados e o parâmetro σ é relacionado com a dispersão ou
espalhamento dos dados, como veremos bem mais adiante.


Teorema Fundamental do Cálculo
Se
∫[a, X]p(u)du = F(X)
então
dF(X)/dX = p(X)
Como p é a derivada de F, costumamos dizer que

F é a primitiva de p.
No nosso contexto:
fdp é a derivada da PDP
FDP é a primitiva da fdp

Vimos que quando X é uma v.a. contínua a probabilidade de X pertencer a um

intervalo I é a integral
Mas no caso particular de v.a. Normal ou Gaussiana essa integral não pode
ser calculada como usual, pois não existe primitiva da fdp fx, i.e., não existe
uma FDP Fx tal que sua derivada é a fdp fx, de modo que se possa calcular
P(x ∈ [a, b]) = Fx(b) – Fx(a)
com Fx = dfx/dx
Os cálculos de probabilidade nesse caso são computacionais.

Distribuição Normal Padrão ou Padronizada
μ mm = 0 e σ = 1
Fz(z) = P(Z ≤ z)
Z = N(0, 1)

Distribuição Exponencial
Se x é uma v.a. exponencial,

então
P(t ≤ a) = ∫t≤a f(t)dt
onde
f(t) = λ.e-λt para t ≥ 0
e
f(t) = 0 para t < 0.

Aplicação usual:
Tempo de vida de
equipamentos.

Exemplo:
Um determinado estoque de equipamentos é tal que 90% duram mais que
5 anos. Qual a probabilidade deste tipo de equipamento durar menos de 2
anos?
P(t > 5) = 90%  ∫(5, ∞) λ e–λx dx  e–λ5 = 0,9  λ = [Ln 0,9] / 5 = 0,021
Portanto:
P(t ≤ 2) = 1- ∫ (2, ∞) 0,021e–0,021x dx = 1 - e–0,042 ≈ 4%
Tabelas de integrais:
https://docs.ufpr.br/~jcvb/online/Tabelas%20de%20Integrais%20Indefinidas%20(1).pdf
https://www.if.ufrgs.br/tex/fisica-4/tab-integrais.pdf

Aula 12

TEORIA DAS PROBABILIDADES
1.1 Conceitos Fundamentais: espaço amostral, eventos e probabilidade
1.2 Probabilidade: escolas clássica, frequencial e axiomática. Teoremas
1.3 Prob condicional; Teo da Prob Total; Bayes; Independência
VARIÁVEIS ALEATÓRIAS
2.1 Definição e classificação;
2.2 Funções de probab de densidade e de distribuição de probabilidade
2.3 Distribuições especiais
2.4 Variáveis aleatórias condicionais. Independência
2.5 Momentos
2.6 Extensão para vetores aleatórios.
PROCESSOS ESTOCÁSTICOS
3.1 Definição e conceitos básicos
3.2 Caracterização de processos estocásticos
3.3 Estacionariedade
3-4 Processos especiais: Markov, Gaussiano, Poisson

2.4 Vetores Aleatórios (parte 1)
Espaço Amostral
ou Espaço de Amostras
Ω
Evento
A .
Resultado
ou ponto-amostra
ω

Espaço Amostral
R
Ω
x x(ω) = a
Evento
A .
Resultado
ou ponto-amostra
ω

Espaço Amostral
R2
Ω
x x(ω)
Evento
A .
Resultado
ou ponto-amostra
x = (y, z)
ω

2.4 Vetores Aleatórios
Espaço Amostral
R
Ω R
y
y(ω) = a
Evento z
. z(ω) = b
A
Resultado
ou ponto-amostra
ω

2.4 FDP CONJUNTA
Em alguns momentos estamos interessados em calcular probabilidade de

ocorrência de dois eventos simultaneamente, daí decorre a probabilidade
da interseção:
P(A∩B) = probabilidade da ocorrência simultânea de A e B
No caso de v.a.´s temos o equivalente. Suponha que A = {x: x ≤ X} e

B = {y: y ≤ Y}. Então:
P(A∩B) = P({x ∈ A} ∩ {y ∈ B}) = P(x ≤ X; y ≤ Y)
Note que nesses casos o usual é representar a interseção por “;” ou

“,”. Vamos nos dedicar a esta última expressão P(x ≤ X; y ≤ Y) 

2.4 FDP CONJUNTA
Exemplo
Uma peça pode ter 6 atributos relevantes:

m = massa d = diâmetro
c = comprimento f = tempo de fabricação
r = rigidez u = tempo de uso
Selecionada uma peça ao acaso, podemos calcular probabilidades
relativas ao vetor aleatório x = (m, d, c, f, r, u) ∈ R6, como p.ex.:
P(m ≤ M, d ≤ D, c ≤ C, f ≤ F, r ≤ R, u ≤ U) = Fx(M,D,C,F,R,U)
ou
P(u > U , f ≤ F | r ≤ R, m ∈ [M1, M2]) = ?
(probabilidade condicional… veremos adiante)

2.4 fdp CONJUNTA
No caso do Rn temos que x = (x1, …, xn) e portanto:
P(x ≤ X) = P(x1 ≤ X1, …, xn ≤ Xn) = Fx1…xn(X1,…,Xn) = Fx(X)
E como px = dF/dx:
No caso tridimensional:
px(X) = pyzt(Y,Z,T) = ∂3Fyzt(Y,Z,T)/∂Y∂Z∂T

2.4 fdp CONJUNTA
Propriedades: ∫(-ꝏ,a] px (X) dX = Fx(a)
∫(-ꝏ,a] ∫(-ꝏ,b] ∫(-ꝏ,c] pyzt(Y,Z,T) dYdZdT = Fyzt(a,b,c)

∫(-ꝏ, ꝏ] px (X) dX = Fx(ꝏ) = 1
∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) pyzt(Y,Z,T) dYdZdT = 1
pyzt(Y,Z,T) ≥ 0 px (X) ≥ 0
Analogia com o caso

unidimensional

2.4 fdp CONJUNTA
v.a. discreta x = (y, z)∈ R2
Ωx = Ωyz = {(10,300), (10,400), (20,300), (20,400)}

Ωy = {10, 20} e Ωz = {300, 400}
px = pyz é denominada distribuição conjunta de y e z
Y = 10 Y = 20
Z = 300 0,1 = P(10, 300) 0,2 = P(20, 300)
Z = 400 0,3 = P(10, 400) 0,4 = P(20, 400)
1,0 = P(Ω)

2.4 fdp CONJUNTA
v.a. discreta x = (y, z)∈ R2
Ωx = Ωyz = {(10,300), (10,400), (20,300), (20,400)}

Ωy = {10, 20} e Ωz = {300, 400}
px = pyz é denominada distribuição conjunta de y e z
py é denominada distribuição marginal de y
pz é denominada distribuição marginal de z
Y = 10 Y = 20 ↓ pz
Z = 300 0,1 = P(10, 300) 0,2 = P(20, 300) 0,3 = P(z = 300)
Z = 400 0,3 = P(10, 400) 0,4 = P(20, 400) 0,7 = P(z = 400)
py  0,4 = P(y = 10) 0,6 = P(y = 20) 1,0 = P(Ω)

2.4 fdp MARGINAL
x = (y, z, t)∈ R3
Caso discreto:
∑ i = -ꝏ, ꝏ ∑ k = -ꝏ, ꝏ pyzt(Yi ,Zk ,T) = pt(T)
Caso contínuo:
∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) pyzt(Y,Z,T) dZdT = py(Y)
∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) pyzt(Y,Z,T) dYdT = pz(Z)
∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) pyzt(Y,Z,T) dYdZ = pt(T)

2.4 FDP CONJUNTA
A função distribuição de probabilidade (FDP) de uma variável

aleatória bidimensional x é uma função Fx definida por
Fx: R2  R
X  Fx(X)
Onde
x = (y,z) é um vetor de duas variáveis aleatórias
X = (a, b) é um resultado bidimensional
E portanto:
Fx(X) = P(x ≤ X) = P(y ≤ a; z ≤ b) = Fyz(a, b)
Fyz é dita FDP conjunta das v.a.’s y e z (componentes do vetor x)

Aula 13

2.4 V.A.’s Condicionais
FUNÇÃO DISTRIBUIÇÃO CONDICIONAL

Por definição, se P(M) > 0, a probabilidade condicional de A dado M
ou probabilidade de A condicionada a M é denotada por P(A|M) e
calculada da seguinte forma: P(A|M) = P(A,M)/P(M). Obs: neste tipo de
assunto costuma-se adotar P(A,M) em lugar de P(A∩M).
Se A = {x: x ≤ X}, como Fx(X) = P(x ≤ X), teremos a
FDP Condicional
da v.a. X, dado um evento M qualquer:
P(x ≤ X|M) = Fx|M(X) = P(x ≤ X, M)/P(M)

FUNÇÃO DENSIDADE CONDICIONAL
Vimos que a FDP Condicional de x dado M é dada por

Fx|M(X) = P(x ≤ X, M) / P(M)
Como px = dF/dx, derivando-se a expressão acima, tem-se a
fdp condicional de x dado M:
dFx|M(X)/dX = px|M(X) = dP(x ≤ X , M)dX / P(M)

FUNÇÃO DISTRIBUIÇÃO CONDICIONAL
Para o caso em que M = {y: y ≤ Y}, considerando que
P(x ≤ X| y ≤ Y) = P(x ≤ X , y ≤ Y) / P(y ≤ Y)
Como Fx(X) = P(x ≤ X), teremos:
FDP Condicional de x dado y:
Fx|y≤Y(X) = Fxy(X,Y) / Fy(Y)

FUNÇÃO DENSIDADE CONDICIONAL
Vimos que a FDP Condicional de x dado M = {y: y ≤ Y} é dada por

Fx|y≤Y(X) = Fxy(X,Y) / Fy(Y)
Como px = dF/dx, derivando-se a expressão acima com relação a x, tem-se a
fdp condicional de x dado {y: y ≤ Y}:
px|y≤Y(X) = ∂Fxy(X,Y)/ ∂X / Fy(Y)

Para o caso em que M = {y: y = Y} teremos, após alguns cálculos a:
FDP Condicional de x dado y:
Fx|y=Y(X) = ∫(-ꝏ,X) pxy(λ,Y)dλ / py(Y)
Como px = dF/dx, derivando-se com relação a x teremos a:
fdp Condicional de x dado y:
px|y=Y(X) = pxy(X,Y) / py(Y)

Quadro Resumo

Aula 15

2.4 V.A.’s Independentes
Vimos que P(A|B) = P(A∩B) / P(B)
Ou, equivalentemente, que P(A∩B) = P(A|B).P(B)
E que dois eventos A e B são ditos independentes quando:
P(A∩B) = P(A).P(B)
No caso em que A = {x: x ≤ X} e B = {y: y ≤ Y} diremos que:
As v.a.´s x e y são estatisticamente independentes quando
Fxy(X,Y) = Fx(X).Fy(Y)
e, no caso em que as FDPs forem diferenciáveis:
pxy(X,Y) = px(X).py(Y)
Vimos agora que se x e y forem v.a.´s independentes:
pxy(X,Y) = px(X).py(Y) [1]
Mas vimos que, de um modo geral,

px|y=Y(X) = pxy(X,Y) / py(Y) [2]
Aplicando [1] em [2], teremos que, se x e y forem

v.a.´s independentes: px|y=Y(X) = px(X).py(Y) / py(Y)
Portanto: px|y=Y(X) = px(X)

E da mesma forma: py|x=X(Y) = py(Y)

Para o caso n-dimensional a extensão é direta. Se {x1, …, xn}

são n v.a.´s independentes:
Fx1…xn(X1, …, Xn) = Fx1(X1) x ... x Fxn(Xn)

E se as FDPs são diferenciáveis:
px1…xn(X1,…,Xn) = px1(X1) x ... X pxn(Xn)
Significado? Aplicação para estimativas de

máxima verossimilhança

No caso de ESTIMATIVA DE MÁXIMA VEROSSIMILHANÇA,
buscamos o valor de x que é mais provável, i.e., que maximiza a fdp
conjunta px1…xn(X1, …, Xn).
Para encontrarmos o máximo de uma função, derivamos e
igualamos a zero, i.e., dp/dx = 0.
Maximizar uma função p é o mesmo que maximizar a função
composta g(p), no caso em que g é monótona crescente ou
decrescente.
Fazendo g = Log, teremos:
Log px (X) = Log px1…xn(X1, …, Xn)
= Log {px1(X1) x … x pxn(Xn)}  v.a.´s independentes
= Log px1(X1) +…+ Log pxn(Xn)
Em resumo, é mais fácil derivar soma de funções do que
derivar produto de funções.

Exemplo
Considere o seguinte sinal aleatório, que pode representar o
ruído em um canal de comunicação:
Os valores deste sinal nos instantes t1 e t2 são as va´s x e y,

consideradas conjuntamente gaussianas:.

O gráfico da fdp conjunta das va´s x e y é dado por:

Temos a fdp conjunta [1]
Podemos calcular a fdp marginal de y, que é gaussiana, assim

como a fdp de x:
[2]
Mas já vimos que, de um modo geral, fdp condicional de y é

dada por:
[3]
Em [2] substituindo x por y (e vice versa), teremos a

fdp marginal px. Substituindo px e [1] em [3] teremos a:

fdp condicional da va y (dado x), que também é gaussiana (ou normal):
[4]
Para fazermos aplicações numéricas, vamos supor que os

parâmetros σ e ρ da fdp conjunta são dados por: σ = 1 e ρ = 0,9.
E nesse caso, vamos calcular a probabilidade do ruído no
instante t2 (a v.a. n(t2) = y) superar determinado limiar, digamos
Y > 3. Para isso, basta integrar a fdp marginal de y [2] sobre o
intervalo (3, ꝏ):

Suponhamos que no instante t1 o ruído atingiu o nível 3, i.e.
n(t1) = x = 3.
Calculemos agora a probabilidade do ruído no instante t2, i.e.,

n(t2) = y, ultrapassar este mesmo nível de ruído. Isto é,
calcularemos P(y > 3 | x = 3).
Para isso, vamos substituir em [4] X = 3 e integrarmos com

relação a Y sobre o intervalo (3, ꝏ):
----- // -----

Suponhamos que no instante t1 o ruído atingiu o nível 3, i.e.
n(t1) = x = 3.
Calculemos agora a probabilidade do ruído no instante t2, i.e.,

n(t2) = y, ultrapassar este mesmo nível de ruído. Isto é,
calcularemos P(y > 3 | x = 3).
Para isso, vamos substituir em [4] X = 3 e integrarmos sobre o

intervalo (3, ꝏ):
P(y > 3 | x = 3) = 0,2451 ≠ P(y > 3) = 0,0013

 x e y não são v.a.´s independentes
----- // -----
Exemplo
Um painel controla a duração de ligações em dois postos de comunicações.
Acende uma luz:
verde quando as ligações dos postos são curtas (t < 0,5 min), dificultando a
localização dos postos, situação segura;
amarela, significando “atenção, existe risco de localização de um dos
postos”, quando um dos postos faz uma ligação longa (t ≥ 0,5 min); e
vermelha, significando “perigo, existe risco de localização dos dois postos”.
Sejam x e y (v.a.´s) as durações das ligações dos postos 1 e 2, respec.

Com base em experiências passadas, através de um método de identificação
de distribuições, tem-se que a fdp conjunta é dada por:
pxy(X,Y) = 10e-(2X + 5Y)
Quando X > 0 e Y > 0.

As v.a.´s x e y se referem a tempos de comunicação.
Seja uma v.a. z referente à luz que se acende:
Quando as luzes são verde, amarela ou vermelha,
a variável z assume os valores 0,1 ou 2, i.e.:
z = 0 se não existem comunicações longas (x e y < T)

 Luz verde
z = 1 se apenas uma das comunicações é longa (ou x ou y > T)

 Luz amarela
z = 2 se as duas comunicações são longas (x e y > T)

 Luz vermelha
Note que z é uma v.a. discreta função das v.a.´s contínuas x e y.

(i) Verifique se as v.a.´s x e y são independentes. Com isso,
saberemos se a duração de uma ligação de um posto afeta ou não a
duração do outro posto.
(ii) Determine a dp da v.a. z, que acusa quantas ligações longas

ocorrem. Com isso, teremos a probabilidade de estarmos em situação
de segurança (luz verde), atenção (luz amarela) ou perigo (luz
vermelha).
(iii) Se apenas uma chamada foi longa, qual a probabilidade de ter

sido originada no posto 1? Com isso, para agirmos, saberemos que
posto (1 ou 2?) está gerando uma situação de risco quando a luz
amarela acende.
(iv) Se as duas chamadas foram longas, qual a probabilidade da

ligação do posto 2 ter superado 1 min?

Solução:
(i) Verifique se as v.a.´s x e y são independentes, i.e., se a duração

de uma ligação de um posto afeta a duração do outro posto.
As duas v.a.´s são independentes quando:

pxy(X,Y) = px(X).py(Y)
Calculando as fdp´s marginais:

px(X) = ∫(0,ꝏ) pxy(X,λ)dλ = 2e-2X (X > 0)
py(Y) = ∫(0,ꝏ) pxy(λ,Y)dλ = 5e-5Y (Y > 0)
Multiplicando essas duas expressões:

px(X).py(Y) = 2e-2X. 5e-5Y (X e Y > 0)
= 10e-(2X + 5Y) (X e Y > 0)
= pxy(X,Y)  independentes.

fdp´s marginais:
px(X) = ∫(0,ꝏ) pxy(X,λ)dλ = 2e-2X (X > 0)
py(Y) = ∫(0,ꝏ) pxy(λ,Y)dλ = 5e-5Y (Y > 0)
px(X) = 2e-2X
py(Y) = 5e-5Y

(ii) Determine a fdp da v.a. z, que acusa quantas ligações longas

ocorrem.
As v.a.´s x e y são contínuas. A v.a. z é discreta com Ωz = {0, 1, 2}.
Calcularemos a dp da v.a. z:
P(z = 0) = P(x < 0,5, y < 0,5) = ∫∫(0, 0.5) pxy(X,Y) dXdY = 0,58
P(z = 2) = P(x > 0,5, y > 0,5) = ∫∫(0.5, ꝏ) pxy(X,Y) dXdY = 0,03
P(z = 1) = 1 – (0,58 + 0,03) = 0,39
fdp da v.a. discreta (ou dp) pz: {(0; 0,58), (1; 0,39), (2; 0,03)}

A distribuição de probabilidade (dp) da v.a. discreta z e dada por:
pz(Z) = 0,58 se Z = 0
0,39 se Z = 1
0,03 se Z = 2

Se a fdp (ou fd ou dp) da v.a. discreta z e dada por:
pz(Z) = 0,58 se Z = 0
0,39 se Z = 1
0,03 se Z = 2
Então sua FDP (ou FDA) é dada por:
Fz(Z) = 0 se Z ∈ (-ꝏ,0)
0,58 se Z ∈ [0, 1)
0,58 + 0,39 = 0,97 se Z ∈ [1,2)
0,58 + 0,39 + 0,03 = 1 se Z ∈ [2,ꝏ)

FDP (ou FDA) da v.a. z é dada por:
Fz(Z) = 0 se Z ∈ (-ꝏ,0)
0,58 se Z ∈ [0, 1)
0,58 + 0,39 = 0,97 se Z ∈ [1,2)
0,58 + 0,39 + 0,03 = 1 se Z ∈ [2,ꝏ)

(iii) Se apenas uma chamada foi longa, qual a probabilidade de ter

sido originada no posto 1?
O que se deseja calcular é:

P(x > 0,5 | z = 1). Mas como?
P(x > 0,5 | z = 1) = P(x > 0,5; z = 1) / P(z = 1)

= P(x > 0,5; y < 0,5) / 0,39
= ∫(0.5, ꝏ)∫(0, 0.5) pxy(X,Y) dXdY / 0,39
= ∫(0.5, ꝏ)∫(0, 0.5) 10e-(2X + 5Y)dXdY / 0,39
= 0,87
Sem fazer cálculos:
P(x > 0,5 | z = 1) é maior ou menor que P(y > 0,5 | z = 1)? Porque?

(iv) Se as duas chamadas foram longas, qual a probabilidade da
ligação do posto 2 ter superado 1 min?
Em termos de probabilidade, o que se deseja calcular?
P(y > 1 | z = 2) =
= P(y > 1, z = 2) / P(z = 2)
= P(y > 1, x > 0,5, y > 0,5) / 0,03
= P(y > 1, x > 0,5) / 0,03
= ∫(0.5, ꝏ) ∫(1, ꝏ) pxy(X,Y) dXdY / 0,03
= 0,37
===== // =====

2.4 Vetores de v.a.´s: FDP e fdp
Intercessão: A = {x: x ≤ a} e B = {y: y ≤ b}  P(A∩B) = P(x ≤ a; y ≤ b)
FDP conjunta: Fx(c) = P(x ≤ c) = P(y ≤ a; z ≤ b) = Fyz(a, b)
FDP e fdp: px(X) = pyzt(Y,Z,T) = ∂3Fyzt(Y,Z,T)/∂Y∂Z∂T
Marginal: ∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) pyzt(Y,Z,T) dZdT = py(Y)
FDP condicional: Fx|M(a) = P(x ≤ a|M) = P(x ≤ a, M)/P(M)
fdp condicional: px|M(X) = dFx|M(X)/dX = dP(x ≤ X , M)dX / P(M)
FDP condicional: Fx|y≤b(a) = = P(x ≤ a , y ≤ b) / P(y ≤ b) = Fxy(a,b) / Fy(b)
fdp condicional: px|y≤Y(X) = ∂Fxy(X,Y)/ ∂X / Fy(Y)
FDP condicional: Fx|y=b(X) = ∫(-ꝏ,X) pxy(λ,b)dλ / py(b)
fdp condicional: px|y=b(a) = pxy(a,b) / py(b)


CIAW PRE Helios Malebranche 138-195

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CIAW PRE Helios Malebranche 138-195

Uploaded by

Copyright:

Available Formats

Aula 11

16:44 prof.helios.ufrj@gmail.com 138

Na ausência de informação, é comum a hipótese de que todos os possíveis

16:44 prof.helios.ufrj@gmail.com 139

FDP (Fç. Distribuição de Prob.) fdp (fç. Densidade de prob.)

16:44 prof.helios.ufrj@gmail.com 140

Aplicação Real (Petrobras):

16:44 prof.helios.ufrj@gmail.com 141

16:44 prof.helios.ufrj@gmail.com 142

Teorema do Limite Central

16:44 prof.helios.ufrj@gmail.com 143

Essa fdp depende de dois parâmetros. O parâmetro μ é relacionado com o

16:44 prof.helios.ufrj@gmail.com 144

16:44 prof.helios.ufrj@gmail.com 145

Teorema Fundamental do Cálculo

Como p é a derivada de F, costumamos dizer que

16:44 prof.helios.ufrj@gmail.com 146

Vimos que quando X é uma v.a. contínua a probabilidade de X pertencer a um

16:44 prof.helios.ufrj@gmail.com 147

16:44 prof.helios.ufrj@gmail.com 148

Se x é uma v.a. exponencial,

16:44 prof.helios.ufrj@gmail.com 149

16:44 prof.helios.ufrj@gmail.com 150

16:44 prof.helios.ufrj@gmail.com 151

16:44 prof.helios.ufrj@gmail.com 152

16:44 prof.helios.ufrj@gmail.com 153

16:44 prof.helios.ufrj@gmail.com 154

16:44 prof.helios.ufrj@gmail.com 155

16:44 prof.helios.ufrj@gmail.com 156

16:44 prof.helios.ufrj@gmail.com 157

Em alguns momentos estamos interessados em calcular probabilidade de

P(A∩B) = probabilidade da ocorrência simultânea de A e B

No caso de v.a.´s temos o equivalente. Suponha que A = {x: x ≤ X} e

P(A∩B) = P({x ∈ A} ∩ {y ∈ B}) = P(x ≤ X; y ≤ Y)

Note que nesses casos o usual é representar a interseção por “;” ou

16:44 prof.helios.ufrj@gmail.com 158

Uma peça pode ter 6 atributos relevantes:

16:44 prof.helios.ufrj@gmail.com 159

No caso do Rn temos que x = (x1, …, xn) e portanto:

P(x ≤ X) = P(x1 ≤ X1, …, xn ≤ Xn) = Fx1…xn(X1,…,Xn) = Fx(X)

px(X) = pyzt(Y,Z,T) = ∂3Fyzt(Y,Z,T)/∂Y∂Z∂T

16:44 prof.helios.ufrj@gmail.com 160

Propriedades: ∫(-ꝏ,a] px (X) dX = Fx(a)

∫(-ꝏ,a] ∫(-ꝏ,b] ∫(-ꝏ,c] pyzt(Y,Z,T) dYdZdT = Fyzt(a,b,c)

∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) ∫(-ꝏ, ꝏ) pyzt(Y,Z,T) dYdZdT = 1

Analogia com o caso

16:44 prof.helios.ufrj@gmail.com 161

v.a. discreta x = (y, z)∈ R2

Ωx = Ωyz = {(10,300), (10,400), (20,300), (20,400)}

16:44 prof.helios.ufrj@gmail.com 162

v.a. discreta x = (y, z)∈ R2

Ωx = Ωyz = {(10,300), (10,400), (20,300), (20,400)}

16:44 prof.helios.ufrj@gmail.com 163

16:44 prof.helios.ufrj@gmail.com 164

A função distribuição de probabilidade (FDP) de uma variável

Fx(X) = P(x ≤ X) = P(y ≤ a; z ≤ b) = Fyz(a, b)

Fyz é dita FDP conjunta das v.a.’s y e z (componentes do vetor x)

16:44 prof.helios.ufrj@gmail.com 165

16:44 prof.helios.ufrj@gmail.com 166

FUNÇÃO DISTRIBUIÇÃO CONDICIONAL

Se A = {x: x ≤ X}, como Fx(X) = P(x ≤ X), teremos a

P(x ≤ X|M) = Fx|M(X) = P(x ≤ X, M)/P(M)

16:44 prof.helios.ufrj@gmail.com 167

FUNÇÃO DENSIDADE CONDICIONAL