Apontamentos Teóricos de Probabilidades e Estatística
|
|
- Osvaldo Brunelli Dreer
- 7 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDADE DA BEIRA INTERIOR Apontamentos Teóricos de Probabilidades e Estatística Jorge Gama Ano Lectivo 005/006 0
2 Capítulo 1 Teoria das Probabilidades 11 Introdução Na Estatística Descritiva descreveram-se e analisaram-se conjuntos de observações relativas a fenómenos aleatórios Neste campo os conceitos estatísticos estabelecidos eram empíricos Embora esse estudo seja importante, é sem dúvida limitado quando se pretende analisar e interpretar ou tomar decisões no contexto dos fenómenos em estudo Neste capítulo estudaremos as noções básicas da Teoria das Probabilidades, teoria esta que é o suporte sobre a qual assenta a teoria da análise, interpretação e tomadas de decisão no contexto do estudo dos fenómenos aleatórios, isto é, a Inferência Estatística A Teoria das Probabilidades (ou cálculo das probabilidades) pode caracterizar-se como o modelo matemático das regularidades que se observam nas distribuições de frequências correspondentes aos fenómenos aleatórios Todo o modelo matemático parte de determinadas propriedades básicas: os axiomas No entanto, antes de abordarmos os axiomas da Teoria das Probabilidades é necessário introduzirmos/compreendermos determinados conceitos Um fenómeno diz-se aleatório quando o acaso interfere na ocorrência de um ou mais dos resultados nos quais tal fenómeno se pode traduzir Conjugando determinado número de condições, um resultado aleatório pode ocorrer ou não Assim, um fenómeno aleatório caracteriza-se fundamentalmente pelo seguinte: a) Pode ser repetido inúmeras vezes em idênticas condições b) Não se pode afirmar qual o resultado da realização de uma repetição antes da sua realização c) Apesar de os resultados das experiências se mostrarem irregulares, verifica-se que os resultados obtidos ao cabo de uma longa repetição da experiência apresentam regularidade estatística Exemplos 11 1 Considere-se o lançamento ao ar de uma moeda e registo da face voltada para cima Observação 11 No caso de uma moeda perfeita, repetido o lançamento um número elevado de vezes verifica-se aproximadamente o mesmo número de faces e coroas, isto é, pode prever-se qual a proporção de faces e coroas num grande número de lançamentos (regularidade estatística) Lançamento de um dado e registo do número de pontos obtidos 3 Extracção de uma carta de um baralho e registo das suas características 4 Selecção ao acaso de um habitante de uma cidade com o objectivo de conhecer as suas despesas mensais 5 Observação do sexo de um recém-nascido numa série de nascimentos 1 Espaço de Resultados Definição 11 O conjunto de todos os resultados possíveis associados a uma experiência aleatória denominase espaço de resultados (ou espaço-amostra, ou espaço amostral, ou espaço universal, ou, ainda, espaço fundamental) 1
3 Notação 11 O espaço de resultados associado a uma dada experiência aleatória será designado por Ω Qualquer resultado individual é designado por ω (ω Ω) Observação 1 Os elementos de Ω podem ser números, sequências de números, atributos ou grupos de atributos ou, ainda, uma combinação de elementos quantitativos e qualitativos Exemplos 1 1 No lançamento de uma moeda se designarmos por F a face e por C a coroa, o espaço de resultados é Ω = {F, C} No lançamento de um dado de seis faces existem seis resultados possíveis Designando por j, com j = 1,, 6, o resultado que consiste na aparição da face com o número j de pontos, o espaço de resultados é Ω = {1,, 3, 4, 5, 6} 3 No lançamento de uma moeda e de um dado, o espaço de resultados poderá ser descrito por: 13 Acontecimentos Aleatórios Ω = {F 1, F, F 3, F 4, F 5, F 6, C1, C, C3, C4, C5, C6} Definição 1 Os subconjuntos de Ω designam-se por acontecimentos Notação 1 1 Os acontecimentos serão designados por letras maiúsculas (A, B, C,, A 1, A, ) Representaremos por P(Ω) as partes de Ω, isto é, o conjunto de todos o acontecimentos de Ω Observações 13 1 Obviamente, Ω é um acontecimento (dito acontecimento certo) ( Ω P(Ω)) Ao acontecimento formado por um único elemento ({ω}) damos a designação de acontecimento elementar 3 O acontecimento denomina-se de acontecimento impossível ( P(Ω)) Exemplo 13 No lançamento de duas moedas ou, simplesmente, Ω = {(F, F ), (F, C), (C, F ), (C, C)} Ω = {F F, F C, CF, CC} Acontecimentos elementares: {F F }, {F C}, {CF } e {CC} Outros acontecimentos: A = {F C, CF } saída de exactamente uma face (ou de exactamente uma coroa); B = {F F, F C} saída de face na 1 a moeda; C = {F C, CF, CC} saída de pelo menos uma coroa 131 Principais Conceitos da Álgebra de Acontecimentos Como, por definição, os acontecimentos são conjuntos, podemos concluir que existe paralelismo entre a álgebra dos conjuntos e a álgebra dos acontecimentos Assim, podemos usar os símbolos:,,,, =,,, \, etc Questões de Linguagem Quando se diz que um acontecimento ocorre (se realiza) é porque se observou a ocorrência (realização) de um seu elemento no contexto de uma experiência aleatória Por exemplo, no lançamento de um dado de seis faces, se a face voltada para cima era o elemento, então o acontecimento {1,, 3} ocorreu Sejam Ω um espaço de resultados e A e B acontecimentos de Ω
4 1) A ocorrência (realização) de A implica a ocorrência de B se, e somente se, todo o elemento de A é elemento de B Escreve-se, então, A B ) A e B são idênticos se, e somente se, a ocorrência de um implica a ocorrência do outro, isto é, A B e B A Escreve-se A = B 3) Intersecção ou produto lógico de A por B é o acontecimento que ocorre se, e somente se, A e B ocorrem simultaneamente Representa-se este acontecimento por A B (ou AB) 4) Reunião entre os acontecimentos A e B é o acontecimento que ocorre se, e somente se, A ou B ocorre, isto é, pelo menos um deles Representa-se este acontecimento por A B 5) A e B dizem-se incompatíveis se, e somente se, a ocorrência de um deles implica a não ocorrência do outro, isto é, A B = Os acontecimentos A 1, A,, A n dizem-se mutuamente exclusivos se, e somente se, A i A j =, para i j 6) Diferença entre B e A é o acontecimento que ocorre se, e somente se, B ocorre sem que ocorra A Representa-se por B \ A (ou B A) 7) Quando A B, B \ A é o acontecimento complementar de A em relação a B Em particular, Ω\A designa-se por acontecimento complementar (contrário) de A e ocorre se, e somente se, A não ocorre É usual representar-se por A Nota: A A = e A A = Ω 8) Diferença simétrica entre A e B é o acontecimento que ocorre se, e somente se, ou ocorre A ou ocorre B, isto é, ocorre um e um só dos acontecimentos, ou ainda, ocorre A ou B, mas não simultaneamente os dois Este acontecimento representa-se por A B e A B = (A \ B) (B \ A) = (A B) \ (A B) 3
5 Proposições 11 Sejam Ω um espaço de resultados associado a uma dada experiência aleatória e A, B, C Ω 1 A operação reunião (resp intersecção) é associativa: A (B C) = (A B) C (A (B C) = (A B) C) A operação reunião (resp intersecção) é comutativa: A B = B A (A B = B A) 3 A operação reunião (resp intersecção) é distributiva relativamente à operação intersecção (resp reunião): A (B C) = (A B) (A C) (A (B C) = (A B) (A C)) 4 A operação reunião (resp intersecção) é idempotente: A A = A (A A = A) 5 i) A B A B = B ii) A B A B = A 6 i) A Ω = Ω ii) A = A iii) A Ω = A iv) A = 7 Leis de De Morgan: i) A B = A B ii) A B = A B 8 A \ B = A B 9 A = A 10 i) (A B) (A B) = A ii) (A B) (A B) = 14 Axiomas da Teoria das Probabilidades Definição 13 Seja Ω um espaço de resultados associado a uma dada experiência aleatória Chama-se probabilidade a uma função P : P(Ω) R que satisfaz os seguintes axiomas: (A1) P (A) 0; para todo o acontecimento A (A) P (Ω) = 1; (A3) Se A 1, A, A 3,, são acontecimentos mutuamente exclusivos, isto é, A i A j =, para i j, então P A i = P (A i ) i 1 i 1 Proposições 1 Sejam Ω um espaço de resultados e A, B e C três acontecimentos, quaisquer 1 P ( A ) = 1 P (A); P ( ) = 0; 4
6 3 P (A \ B) = P (A) P (A B); 4 P (A B) = P (A) + P (B) P (A B); 5 P (A B) P (A) + P (B); 6 A B P (A) P (B); 7 0 P (A) 1; 8 P (A B) = P (A) + P (B) P (A B); 9 P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C) 15 Espaços de Resultados Finitos Definição Clássica de Probabilidade Suponhamos que o espaço de resultados Ω é finito Então Ω = {ω 1, ω,, ω n } Vamos admitir a hipótese de equiprobabilidade, isto é, vamos admitir que P ({ω 1 }) = P ({ω }) = = P {ω n }) Assim, podemos deduzir que o valor comum destas probabilidades é 1 n De facto tem-se P (Ω) ( = 1 n ) P {ω i } = 1 i=1 n P ({ω i }) = 1 i=1 np ({ω j }) = 1, para j = 1,, n P ({ω j }) = 1, para j = 1,, n n E para qualquer acontecimento A = {ω i1, ω i,, ω im }, obtemos, por processos análogos, P (A) = m n Isto é, a probabilidade de um acontecimento é o quociente entre o número de resultados (casos) favoráveis à ocorrência do acontecimento e o número de resultados possíveis considerados como equiprováveis (Regra Clássica de Laplace): P (A) = no de casos favoráveis n o de casos possíveis = #A #Ω 16 Probabilidades Condicionadas Independência Definição 14 Sejam Ω um espaço de resultados e A e B dois acontecimentos, em que P (B) > 0 A nova função P (A B) = P (A B) P (B) denomina-se probabilidade condicional (ou condicionada) de A (por B) Observações 14 1 Obviamente, com B fixo, P ( B) satisfaz os axiomas das probabilidades P (A B) prob de ocorrer A, dado que ocorreu B (ou prob de A condicionada pela realização de B) Teorema 13 Sejam A 1, A,, A n acontecimentos tais que P (A 1 A A n 1 ) > 0 Então P (A 1 A A n ) = P (A 1 )P (A A 1 )P (A 3 A 1 A ) P (A n A 1 A A n 1 ) 5
7 Definição 15 Dois acontecimentos A e B dizem-se independentes se, e somente se, P (A B) = P (A) P (B) Dois acontecimentos são independentes se a probabilidade da ocorrência de um não afecta a probabilidade da ocorrência do outro O teorema seguinte justifica esta afirmação Teorema 14 Os acontecimentos A e B de probabilidade positiva são independentes se, e somente se, P (A B) = P (A) (ou P (B A) = P (B)) Definição 16 Os acontecimentos A 1, A,, A n são mutuamente independentes se, e somente se, para todos os inteiros i 1, i,, i k, satisfazendo as condições se tem 1 i 1 < i < i 3 < < i k n, P (A i1 A i A ik ) = P (A i1 )P (A i ) P (A ik ) Exemplo 14 Considerem-se 4 cartas numeradas de 1 a 4 Tira-se ao acaso uma carta e admita-se a hipótese de equiprobabilidade Sejam: E 1 = a carta retirada é 1 ou 4 ; E = a carta retirada é 1 ou 3 ; E 3 = a carta retirada é 1 ou Observe-se que P (E 1 ) = P (E ) = P (E 3 ) = 1 e P (E 1 E ) = 1 4 = 1 1 = P (E 1) P (E ) Logo, E 1 e E são independentes Analogamente, pode mostrar-se que E 1 e E 3 são independentes, assim como E e E 3 No entanto, os três acontecimentos não são independentes, pois P (E 1 E E 3 ) = 1 4 e P (E 1 ) P (E ) P (E 3 ) = = 1 8 Teorema 15 (Teorema da Probabilidade Total) Sejam A 1, A,, A n acontecimentos mutuamente exclusivos (A i A j =, para i j) e exaustivos ( n i=1 A i = Ω) Se P (A i ) > 0, para i = 1,, n, então, para qualquer acontecimento B, P (B) = P (B A 1 ) P (A 1 ) + P (B A ) P (A ) + + P (B A n ) P (A n ) n = P (B A i ) P (A i ) i=1 Observação 15 Quando os acontecimentos são mutuamente exclusivos e exaustivos é vulgar utilizar o termo partição (de Ω) para os designar Observe o diagrama seguinte: Observe ainda que B = (B A 1 ) (B A ) (B A n ) 6
8 Corolário 16 Seja A um acontecimento tal que 0 < P (A) < 1 Então, para qualquer acontecimento B, P (B) = P (B A) P (A) + P (B A) P (A) Teorema 17 (Teorema de Bayes) Sejam A 1, A,, A n acontecimentos mutuamente exclusivos e exaustivos Se P (A i ) > 0, para i = 1,, n, e B é um acontecimento tal que P (B) > 0, então P (A j B) = P (B A j) P (A j ), i = 1,,, n n P (B A i ) P (A i ) i=1 Esta fórmula é conhecida por fórmula de Bayes ou fórmula das probabilidades à posteriori 7
9 8
10 Capítulo Variáveis Aleatórias Reais Distribuições de Probabilidade 1 Definição de Variável Aleatória É sabido que numa experiência aleatória o espaço de resultados, Ω, pode ter ou não carácter quantitativo Por exemplo, no lançamento de uma moeda o espaço de resultados que lhe está associado tem carácter qualitativo, mas se no lançamento de três moedas estivermos interessados no número de faces, o espaço de resultados que lhe está associado já tem carácter quantitativo A aplicação de procedimentos estatísticos passa, correntemente, pela atribuição de um número real a cada elemento ω Ω Essa atribuição pode ser até puramente convencional No entanto, esta atribuição terá que ser feita com cuidado por forma a podermos calcular a probabilidade de ocorrência de valores em intervalos reais Daí a definição seguinte Definição 1 Seja Ω um espaço de resultados associado a uma dada experiência aleatória Chama-se variável aleatória (abreviadamente, va) a uma função X : Ω R tal que A r = {ω Ω : X(ω) r}, com r R, seja um acontecimento Notação 1 É usual representarem-se as variáveis aleatórias pelas últimas letras maiúsculas: X, Y, Z, W, X 1, X,, Y 1, O restrição imposta à função X tem como objectivo que o seu contradomínio seja um novo espaço de resultados em que a cada um dos seus elementos associa-se uma probabilidade, calculável a partir das probabilidades de ocorrência dos resultados iniciais As vantagens da utilização de variáveis aleatórias torna-se evidente em muitos casos que nos irão surgindo Uma dessas vantagens surge em inúmeros casos onde não interessa apreciar os elementos de Ω com todos os pormenores de que se revestem, mas sim focarmos a nossa atenção na característica numérica em estudo Os exemplos seguintes ilustram este ponto de vista Exemplos 1 1 O espaço de resultados associado ao lançamento de uma moeda três vezes pode ser definido por Considere-se a seguinte variável aleatória: X = número de faces Ω = {F F F, F F C, F CF, F CC, CCC, CCF, CF F, CF C} Esta variável aleatória tem como contradomínio Ω = {0, 1,, 3} e, admitindo-se a hipótese de equiprobabilidade, 9
11 P (X = 0) = P ({CCC}) = 1 8 P (X = 1) = P ({F CC, CCF, CF C}) = 3 8 P (X = ) = P ({F F C, F CF, CF F }) = 3 8 P (X = 3) = P ({F F F }) = 1 8 A partir dos cálculos anteriores podemos calcular a probabilidade de outros acontecimentos Por exemplo, a probabilidade de ocorrer pelo menos duas faces: P (X ) = P (X = ) + P (X = 3) = 1 Ou ainda, a probabilidade de ocorrer menos de 3 faces: P (X < 3) = 1 P (X = 3) = 7 8 Considere-se uma população de empresas das quais se escolhe uma ao acaso O espaço de resultados é Ω = {ω 1, ω,, ω n }, onde n é o número total de empresas na população Consoante os objectivos do estudo, diversas variáveis aleatórias podem ser definidas Eis alguns exemplos: X 1 = número de empregados de uma empresa; X = capital social de uma empresa; X 3 = volume anual de vendas de uma empresa Proposição 1 Sejam Ω um espaço de resultados, X : Ω R e Y : Ω R duas variáveis aleatórias, e c R Então, i) X + Y é uma variável aleatória; ii) c X é uma variável aleatória; iii) X Y é uma variável aleatória Definição Seja X uma va Chama-se à função F X (ou F) função de distribuição (cumulativa) (fd) de X, se F X : R [0, 1] tal que F X (x) = P (X x), para todo x R A fd, F (x), de uma va X goza das seguintes propriedades: Teorema 1 0 F (x) 1; F (x) é não decrescente; 3 F ( ) = lim F (x) = 0; F (+ ) = lim F (x) = 1; x x + 4 Para valores x 1 e x quaisquer, finitos, com x > x 1, tem-se P (x 1 < X x ) = F (x ) F (x 1 ); 5 F (x) é contínua à direita, isto é, lim F (x) = F (a); x a + 6 P (X = a) = F (a) F (a ) = F (a) lim x a F (x) Definição 3 Sejam X uma va e D = {a : P (X = a) > 0} um conjunto, quando muito numerável, dos pontos de descontinuidade de uma fd A va X diz-se discreta quando P (X D) = 1; a va diz-se não discreta quando P (X D) < 1 10
12 Quando X é uma va discreta existe um conjunto finito ou infinito numerável, D = {a 1, a, }, tal que, P (X D) = i P (X = a i ) = 1, P (X = a i ) > 0, i = 1,, Estas duas propriedades permitem especificar a probabilidade de qualquer acontecimento de R em termos de uma soma ou série de parcelas do tipo P (X = a i ), com a i D De facto, com E R, como E D D e P (X D) = 0, vem, P (X E) = P (X E D) + P (X E D); P (X E) = Esta propriedade torna útil a seguinte definição: a i E D P (X = a i ) Definição 4 Seja X uma va discreta Chama-se função de probabilidade (fp) de X à função f X (ou f) definida por: { P (X = x) se x D f X (x) = 0 se x D Definição 5 Seja X uma va e F (x) a respectiva fd A va X diz-se contínua se D = {a : P (X = a) > 0} = e existe uma função não negativa, f X (x) 0 (ou f), tal que F X (x) = x f X (u) du A esta função f X (x) chama-se função de densidade de probabilidade, (fdp), ou simplesmente função de densidade Observações 1 1 Mostra-se que, se D = {a : P (X = a) > 0} =, então F (x) não apresenta descontinuidades Atendendo às definições anteriores e aos axiomas das probabilidades mostra-se que toda a função de probabilidade (resp densidade) satisfaz as condições: i) f(x) 0, x R ii) i f(x i) = 1 (resp + f(u) du = 1) 3 Se X é uma va discreta, então F X (x) = {i: x i x} f X(x i ) 4 Se X é uma va contínua, então F X (x) = f X(x), excepto num conjunto finito ou infinito numerável de pontos x de probabilidade nula Exemplos 1 Consideremos novamente o exemplo 1 dos Exemplos 1 A função de probabilidade desta va é definida por: x f(x)
13 E graficamente, A sua função de distribuição é definida por: F (x) = 0 se x < se 0 x < 1 1 se 1 x < 7 8 se x < 3 1 se x 3, ou, em forma de tabela, x x < 0 0 x < 1 1 x < x < 3 x 3 F (x) E, graficamente, Nota: O gráfico da função de distribuição de uma variável discreta é sempre em escada Seja Y uma va cuja função de distribuição é definida por 0 se y < 0 y F (y) = se 0 y < se y 3 Então, a sua função de densidade pode ser definida por 1 se 0 y 3 f(y) = 3 0 se y < 0 y > 3 E os seus gráficos: Nota: O valor da probabilidade num intervalo corresponde a uma área entre o eixo das abcissas e o gráfico de f, no intervalo considerado Definição 6 Uma va discreta X diz-se constante se existe a R tal que P (X = a) = 1 1
14 Medidas de Localização e Dispersão Momentos 1 Medidas de Localização Definição 7 Denomina-se média, esperança matemática ou valor esperado de uma va X ao número, caso exista, µ X ou E(X) definido por: i) E(X) = i x if(x i ), se X é uma va discreta tomando valores em {x 1, x, } ii) E(X) = + xf(x) dx, se X é contínua Exemplos 3 1 Considerando novamente o exemplo 1 dos Exemplos 1, E(X) = = 3 Se f(y) = 1 3 se 0 y 3 0 se y < 0 y > 3 é a função de densidade de probabilidade de uma va Y, então E(Y ) = + yf(y) dy = 0 Definição 8 Seja X uma va e φ(x) uma função de X 1 E(φ(X)) = i φ(x i)f X (x i ), se X é discreta; E(φ(X)) = + φ(x)f X(x) dx, se X é contínua 3 y y 0 dy dy y 0 dy = 3 Proposições 3 Sejam X e Y duas variáveis aleatórias, φ(x) uma função de X, e a e b constantes reais 1 E(a) = a; E(a φ(x)) = a E(φ(X)); 3 E(a X + b Y ) = a E(X) + b E(Y ) Outras medidas de localização de uma va, alternativas à média, são a mediana (η X ) e a moda (m X ) Definição 9 Seja X uma variável aleatória A mediana de X é o valor de x que satisfaz as desigualdades, P (X x) 1 e P (X x) 1, e representa-se por η X ou, simplesmente, η Em termos da função de distribuição, a dupla desigualdade é equivalente a 1 F (x) 1 + P (X = x) 13
15 Se X é contínua, a mediana é o valor x que satisfaz, F (x) = x f(u) du = 1 Se existir mais do que um valor que sirva para mediana, então toma-se para mediana η = x min + x max, onde x min e x max representam, respectivamente, o mínimo e o máximo do conjunto de soluções Podemos, a partir da ideia de mediana, definir parâmetros usando outros valores de probabilidade Definição 10 Dado qualquer número p, 0 < p < 1, define-se p-ésimo quantil de uma va distribuição como o valor x que satisfaz as desigualdades, ou de uma P (X x) p, P (X x) 1 p, isto é, p F (x) p + P (X = x) Se a va é do tipo contínua, o quantil de ordem p é o número x que satisfaz a equação, F (x) = p O quantil de ordem p será representado por ζ p ou x f(u) du = p Em particular, com p = s/4, s = 1,, 3, obtém-se os quartis, sendo o quartil de ordem a mediana; com p = s/10, s = 1,,, 9, os decis, com p = s/100, s = 1,,, 99, obtém-se os percentis Definição 11 Chama-se moda de uma va X, m X, a um valor da variável (caso exista) do seu contradomínio para o qual f X (função de probabilidade ou função de densidade de probabilidade de X) toma um valor máximo Exemplos 4 1 No contexto do exemplo 1 dos Exemplos 1, e tem duas modas (bimodal), m 1 = 1 e m = η X = 1 + Nota: No caso de variáveis aleatórias discretas, existe alguma bibliografia que considera para moda o ponto médio dos valores adjacentes da variável que maximizam a função de probabilidade No contexto do exemplo dos Exemplos, existem uma infinidade de modas Qualquer valor do intervalo [0, 3] é uma moda Medidas de Dispersão Definição 1 1 Se X é uma va discreta tomando valores em {x 1, x, }, chama-se desvio absoluto médio à medida de dispersão definida por δ X = x i µ X f X (x i ) i = 3 Se X é uma va contínua, o desvio absoluto médio define-se por δ X = + x µ X f X (x) dx 14
16 Outra quantidade de grande importância, que permite definir outra medida de dispersão, é a variância de uma variável aleatória Definição 13 1 Se X é uma va discreta tomando valores em {x 1, x, }, a variância de X, σ X ou Var(X), define-se por Var(X) = i (x i µ X ) f X (x i ) Se X é uma va contínua, a variância define-se por Var(X) = + Observação É evidente que Var(X) = E [ (X µ X ) ] Proposições 4 Se X é uma va, então 1 Var(X) = E(X ) [E(X)] (fórmula de Köenigs) Var(aX) = a Var(X), com a uma constante real (x µ X ) f X (x) dx Observação 3 E(X ) = i x i f X(x i ), se X é uma va discreta, ou E(X ) = + x f X (x) dx, se X é uma va contínua À custa da variância define-se outra medida de dispersão Definição 14 Chama-se desvio padrão de uma va X à medida de dispersão definida por 3 Variáveis Estandardizadas σ = Var(X) Definição 15 Seja X uma va com média µ e desvio padrão σ A va diz-se normalizada ou estandardizada Proposição 5 A va Z = X µ σ Z = X µ σ tem média 0 e desvio padrão 1 A estandardização de uma va permite uma mudança de escala e observe-se que uma va estandardizada não tem unidades Desta forma, é possível comparar as distribuições de variáveis aleatórias distintas 4 Momentos O valor esperado e a variância pertencem a uma família de parâmetros que se designam por momentos Enquanto o valor esperado pertence à subfamília dos momentos ordinários (ou momentos na origem), a variância pertence à subfamília dos momentos centrados Vejamos como se definem Definição 16 Chama-se momento ordinário de ordem k ao parâmetro µ k = i x k i f X (x i ), se X é uma va discreta, ou se X é uma va contínua µ k = + x k f X (x) dx, Observação 4 É evidente que o valor esperado é o momento ordinário de primeira ordem (µ 1 = µ) 15
17 Definição 17 Chama-se momento centrado (na média) de ordem k ao parâmetro µ k = i (x i µ X ) k f X (x i ), se X é uma va discreta, ou se X é uma va contínua µ k = + (x µ X ) k f X (x) dx, Observação 5 Repare-se que a variância é o momento centrado de segunda ordem (µ = σ ) Existem expressões que relacionam os momentos ordinários com os momentos centrados De facto, qualquer momento centrado de ordem k pode exprimir-se em função dos momentos ordinários de ordem não superior a k e vice-versa: µ k = k ( 1) ik C i (µ 1) i µ k 1 e µ k = i=0 k k C i (µ 1) i µ k i Observe-se que, na primeira expressão fazendo-se k =, obtém-se a fórmula de Köenigs Além dos momentos já definidos, existem outros momentos centrados (centrados em outro parâmetros) e ainda os momentos absolutos ordinários ou centrados O desvio absoluto médio é o momento absoluto centrado (na média) de primeira ordem Todos os parâmetros definidos (caso existam) caracterizam uma distribuição Para que duas distribuições sejam iguais é necessário que tenham a mesma sequência de momentos No entanto, esta condição não é suficiente, pois uma sequência de momentos não determina univocamente uma distribuição Para que tal suceda, é necessário garantir a existência de uma função que é designada por função geradora de momentos Este assunto será abordado na subsecção seguinte Na prática, raramente são calculados momentos de ordem superior a 4, pois tais momentos são de difícil caracterização No entanto, a igualdade de momentos não superiores a 4 é suficiente para que duas distribuições sejam aproximadamente iguais Vejamos algumas utilizações destes momentos Uma va X é simétrica ou possui uma distribuição simétrica, se existe um número a tal que, para todo o x, P (X < a x) = P (X > a + x), isto é, i=0 F (a x) P (X = a x) = 1 F (a + x) O ponto a é chamado centro de simetria Se a va é do tipo contínuo, deduz-se da igualdade anterior que a sua fdp, nos pontos onde é contínua, satisfaz a equação, f(a x) = f(a + x) Se a va é do tipo discreto, os pontos de salto e as correspondentes probabilidades dispõem-se simetricamente em relação a a Quando uma distribuição é simétrica é fácil concluir que os momentos centrados na média de ordem ímpar são nulos Assim, desejando-se caracterizar a assimetria por meio de um parâmetro, parece natural a utilização de um desses momentos, preferivelmente o de ordem 3, µ 3 Como este momento é de terceira ordem em termos da unidade original, leva a que se utilize para medida de assimetria o parâmetro ou γ 1 = µ 3 σ 3 β 1 = µ 3 µ 3 = γ1 Quando a assimetria é positiva (ramo esquerdo mais abrupto) são os desvios positivos que predominam no cálculo de µ 3, que, por esse facto, leva a que γ 1 > 0 A assimetria negativa caracteriza-se por γ 1 < 0 Outra função de momentos com algum interesse é, β = µ 4 µ, que é usado para medir o excesso de Kurtosis da distribuição, conceito associado com o achatamento da fdp ou fp na zona central da distribuição Costuma usar-se como meio de comparação a distribuição Normal estandardizada (que estudaremos no capítulo seguinte) Nesta distribuição µ 4 = 3 e µ = 1 Assim, em vez de β, usa-se por vezes, γ = β 3 16
18 5 Desigualdades Importantes para Momentos Teorema 6 (Desigualdade de Markov) Seja ϕ(x) uma função de uma va X Se existir E[ϕ(X)], então, para qualquer número real c > 0, P (ϕ(x) c) 1 c E[ϕ(X)] Corolário 7 Se X é uma va não negativa e se existir E(X), então, para qualquer número real c > 0, P (X c) E(X) c Corolário 8 Se X é uma va e se existir E(X), então, para qualquer número real c > 0, P ( X c) E( X ) c Corolário 9 Se X é uma va e se existir E( X r ), para qualquer número real r > 0, então, para qualquer número real c > 0, P ( X c) E( X r ) c r Corolário 10 Se X é uma va com média µ e variância σ, finita, então, para qualquer número real t > 0, P ( X µ tσ) 1 t A desigualdade do corolário anterior, que, aliás como todas as outras, também se pode apresentar na forma P ( X µ < tσ) 1 1 t é a bem conhecida desigualdade de Chebychev Trata-se de um instrumento muito importante em aplicações Pois, observe-se que, para qualquer va X, conhecidas a média e variância, a quantidade de probabilidade no intervalo ]µ tσ, µ + tσ[ nunca é inferior a 1 1/t, ou, o que é o mesmo, a quantidade de probabilidade fora desse intervalo nunca é superior a 1/t Esta desigualdade reforça a ideia da utilização de µ como medida de localização e σ como medida de dispersão, permitindo empregar-se quando não se conhece a distribuição da variável aleatória Evidentemente, se a distribuição da variável for conhecida, a desigualdade passa a ter menos interesse uma vez que pode calcular-se o valor exacto (ou pelo menos tão aproximado quanto se queira) de P ( X µ < tσ) No entanto, neste caso a sua utilização pode permitir fazer um cálculo mais rápido 6 Função Geradora de Momentos No intuito de caracterizar uma distribuição é possível, em muitos casos, obter uma função que permite gerar todos os momentos em relação à origem Definição 18 Define-se função geradora de momentos, abreviadamente fgm, da va X como sendo o valor esperado de e Xt, caso exista, e representa-se por G X (t) = E ( e Xt) Diz-se que a função geradora de momentos existe se existir uma constante positiva, a, para a qual G X (t) seja finita para t < a Observe-se, a partir da definição, que G X (0) = 1; a existência numa vizinhança de t = 0 depende da distribuição de X Teorema 11 Se a fgm é definida para t < a, com a > 0, então G (k) (0) = µ k, k = 1,, 3, Consequentemente, se G(t) existe numa vizinhança de 0, G(t) pode desenvolver-se, de uma única forma, em série de MacLaurin, G(t) = 1 + G (0) + G (0)t +! = = + k=0 + k=0 E ( X k) t k µ t k k k! 17 k!
19 Como é evidente, os momentos centrados de X são gerados pela fgm da distribuição da va X µ: ( G X µ (t) = E e t(x µ)) = e µt G X (t), ou, equivalentemente, G X (t) = e µt G X µ (t) Para a va estandardizada U = (X µ)/σ, tem-se G U (t) = E ( e tu ) ( = E e t(x µ)/σ) = e µt/σ G X (t/σ), ou G X (t) = e µt G U (σt) O teorema 11 não é a principal propriedade das fgm A principal reside no facto de permitirem identificar as distribuições para as quais existem: Teorema 1 A fgm determina univocamente a fd; reciprocamente, se a fgm existe, é única Exemplos 5 1 Considere-se a va X cuja fp é definida por { p(1 p) x 1 se x = 1,, f(x) = 0 ov de x onde 0 < p < 1, fixo Pretende-se determinar E(X) e V ar(x) a partir da fgm Resolução: G X (t) = E ( e Xt) = desde que (1 p)e t < 1, isto é, quando t < ln(1 p) Assim, resulta que e + x=1 p(1 p) x 1 e xt + = p e t (1 p) x 1 e (x 1)t x=1 + = p e t [ (1 p)e t ] x 1 x=1 = p e t 1 1 (1 p)e t G X(t) pe t = (1 (1 p)e t ) E(X) = G X(0) = 1 p Para o cálculo da derivada de segunda ordem, observe-se primeiro que Logo, e Consequentemente, G X(t) = G X (t) 1 (1 p)e t G X(t) = G X (t) [1 (1 p)et ] + (1 p)e t G X (t) [1 (1 p)e t ] E ( X ) = G X(0) = p p V ar(x) = p p 1 p = 1 p p 18
20 Considere-se agora a va Y com fdp dada por: { e y se y 0 g(y) = 0 se y < 0 Pretende-se determinar E(Y ) a partir da fgm de Y Resolução: G Y (t) = E ( e Y t) = + 0 = lim z + = = = e ty e y dy [ [ t (0 1) t t ] z 1 t e(t )y lim z + e(t )z 1 y=0 ] sempre que t < Logo, E(X) = G Y (t) t=0 = ( t) = 1 t=0 3 Vectores Aleatórios Quando se pretende estudar inúmeras situações, no estudo probabilístico ou estatístico, envolvendo n propriedades ou características quantitativas dos elementos ω do espaço de resultados Ω, faz-se corresponder a cada um desses elementos um ponto (x 1, x,, x k ) R n Isto é, ω (X 1 (ω), X (ω),, X n (ω)) Assim, por meio de uma aplicação Ω R n substitui-se o espaço de resultados pelo conjunto R n Definição 19 Se para cada ponto (x 1, x,, x n ) R n, o conjunto de Ω, é um acontecimento, diz-se que ou, simplesmente, {ω : X 1 (ω) x 1, X (ω) x,, X n (ω) x n } X(ω) = (X 1 (ω), X (ω),, X n (ω)), X = (X 1, X,, X n ), é um vector aleatório ou uma variável aleatória n-dimensional Os conceitos abordados para uma variável aleatória (fd, va discretas, va contínuas, fp, fdp, etc) podem generalizar-se para uma variável aleatória n-dimensional No entanto, grande parte de tal generalização será feita somente para va bidimensionais Assim, dada uma va bidimensional ou vector aleatório (X, Y ), a probabilidade de obter um ponto na região do plano R pelas desigualdades, X x, Y y, P (X x, Y y) = P {ω : X(ω) x, Y (ω) y} existe sempre, por definição e podemos introduzir a seguinte Definição 0 Chama-se função de distribuição da va bidimensional (X, Y ) ou função de distribuição conjunta das va X e Y a F (x, y) = P (X x, Y y) Teorema 13 Se F (x, y) é fd das va X e Y e [x 1, x ] [y 1, y ] é um intervalo de R, então P (x 1 X x, y 1 Y y ) = F (x, y ) + F (x 1, y 1 ) F (x 1, y ) F (x, y 1 ) 19
21 Teorema 14 Para qualquer fd F (x, y), F (, y) = F (x, ) = 0 e F (+, + ) = 1 Teorema 15 Toda a fd F (x, y) é não decrescente em relação a cada variável Teorema 16 Toda a fd F (X, Y ) é contínua à direita em relação a cada variável, F (x +, y) = F (x, y) = F (x, y + ) Quando se trabalha com a distribuição conjunta das va X e Y, pode interessar o cálculo da probabilidade de se ter X x qualquer que seja o valor assumido pela va Y Esse cálculo, P (X x) = P (X x, Y + ) = lim F (x, y) = F (x, + ), y + conduz à definição de F 1 (x) = F (x, + ), distribuição marginal da va X Analogamente, P (Y y) = P (X +, Y y) = lim F (x, y) = F (+, y), x + define a distribuição marginal da va Y, F (y) Se os acontecimentos, X x e Y y, são independentes, então resulta P (X x, Y y) = P (X x)p (Y y), as va X e Y dizem-se independentes e a respectiva fd conjunta é o produto das distribuições marginais, F (x, y) = F 1 (x)f (y), para todo o ponto (x, y) R Pode mostrar-se que esta condição é necessária e suficiente para que se tenha P (X E 1, Y E ) = P (X E 1 )P (Y E ), para quaisquer acontecimentos E 1 e E definidos, respectivamente, no eixo dos xx e no eixo dos yy Teorema 17 Dadas duas va independentes, X e Y, considerem-se duas funções U = φ(x) e V = ψ(y ) Então, as va U e V são independentes Teorema 18 Se X e Y são variáveis aleatórias independentes e possuem valor esperado, então E(X Y ) = E(X) E(Y ) O conceito de independência generaliza-se facilmente a um número finito (ou numerável) de va X 1, X,, X n Definição 1 As variáveis aleatórias X 1, X,, X n dizem-se independentes se para n números reais arbitrários, x 1, x,, x n, F (x 1, x, x n ) = P (X 1 x 1, X x,, X n x n ) = P (X 1 x 1 ) P (X x ) P (X n x n ) = F 1 (x 1 )F (x ) F n (x n ), onde F é a função de distribuição conjunta das va X 1, X,, X n e F 1, F,, F n as respectivas funções de distribuição marginais Vectores Aleatórios Discretos Definição Uma va bidimensional, (X, Y ), diz-se discreta, se dado o conjunto finito ou numerável D = {(x i, y j ) : P (X = x i, Y = y j ) > 0}, se tem, P [(X, Y ) D] = 1 0
22 Agora, também podemos definir a função de probabilidade de (X, Y ), { > 0 se (x, y) D f(x, y) = P (X = x, Y = y) = 0 se (x, y) D, e tem as seguintes propriedades: 1 f(x, y) 0, (x, y) R ; f(x i, y j ) = 1; (x i,y j ) D 3 P [(X, Y ) E] = (x i,y j ) E D f(x i, y j ); 4 F (x, y) = P (X x, Y y) = x i x y j y As fp marginais são definidas, com f(x i, y j ) D = {(x i, y j ) : i, j = 1,, }, por, f 1 (x i ) = P (X = x i ) = j f(x i, y j ), i = 1,, f (y j ) = P (Y = y j ) = i f(x i, y j ), j = 1,, sendo, evidentemente, f 1 (x) = 0, se (x, y j ) D, e f (y) = 0, se (x i, y) D As va X e Y são independentes quando discretas se, e somente se, para todo o ponto (x i, y j ) D Vectores Aleatórios Contínuos f(x i, y j ) = f 1 (x i )f (y j ), Definição 3 Uma va bidimensional, (X, Y ), é do tipo contínuo se existir uma função não negativa, f(x, y), tal que F (x, y) = x y f(u, v) dudv, para todo (x, y) R, onde F (x, y) é a função de distribuição de (X, Y ) A função f(x, y) diz-se função de densidade de probabilidade de (X, Y ) ou função de densidade de probabilidade conjunta das va X e Y e satisfaz a igualdade, + + Se a fdp f(x, y) for contínua no ponto (x, y) tem-se Por definição de fd marginal da va X tem-se, F 1 (x) = F (x, + ) = f(x, y) dxdy = 1 f(x, y) = F (x, y) x y x + f(u, v) dudv; assim, f 1 (x) = F 1(x) = + f(x, y) dy 1
23 é a função de densidade marginal de X Analogamente, f (y) = F (y) = + f(x, y) dx, é a função de densidade marginal de Y A generalização destes conceitos para uma va n-dimensional é imediata Seja (X, Y ) uma va bidimensional O valor esperado µ rs = E(X r Y s ), se existir, define um momento de ordem r + s em relação à origem Assim, existindo os momentos de ordem 1, tem-se µ 10 = E(X) e µ 01 = E(Y ), sendo os centros de gravidade das distribuições marginais de X e Y, respectivamente Existindo os momento de ordem, temos Para os momentos centrados, o valor esperado µ 0 = E(X ), µ 11 = E(XY ), µ 0 = E(Y ) µ rs = E [(X µ X ) r (Y µ Y ) s ], se existir, define um momento de ordem r + s em relação à média Para os momentos de ordem 1, tem-se µ 10 = 0 = µ 01, e para os de ordem, µ 0 = V ar(x), µ 0 = V ar(y ), µ 11 = E [(X µ X )(Y µ Y )] ; µ 11, que se representa também por Cov(X, Y ), designa-se por covariância entre X e Y Observe-se que Cov(X, Y ) = E(XY ) E(X)E(Y ) Como consequência desta expressão e do teorema 18 temos o seguinte Teorema 19 Se as va X e Y são independentes, então Cov(X, Y ) = 0 O interesse da covariância advém da seguinte interpretação: considere-se o centro de gravidade da distribuição conjunta de X e Y, (µ X, µ Y ), como origem de novos eixos coordenados Observe a figura Tem-se, em relação ao novo sistema de eixos, que (x µ X )(y µ Y ) > 0, no 1 o e 3 o quadrantes, (x µ X )(y µ Y ) < 0, no o e 4 o quadrantes Assim, se X e Y variam no mesmo sentido, existe probabilidade elevada para que os valores de X acima da média estejam associados com valores de Y acima da média e para os valores de X abaixo da média estejam associados com valores de Y abaixo da média, isto é, predominam os pontos no 1 o e 3 o quadrantes e a covariância sai positiva e relativamente grande Por outro lado, X e Y variam em sentido contrário se existe probabilidade elevada para que os valores de X acima da média estejam associados com valores de Y abaixo da média e para valores de X abaixo da média estejam associados com valores de Y acima da média Neste caso, predominam os pontos no o e 4 o quadrantes e a covariância sai negativa e relativamente grande em valor absoluto A covariância depende das unidades em que se exprimem as va X e Y Ora, é desejável introduzir um parâmetro que caracterize a associação entre as variáveis X e Y sem depender dessas unidades
24 Definição 4 Chama-se coeficiente de correlação entre X e Y ao parâmetro ou ρ = Cov(X, Y ) = Cov(X, Y ), V ar(x)v ary σ X σ Y ρ = µ 11 µ0 µ 0 Teorema 0 (Desigualdade de Cauchy-Schwartz) Se X e Y são va conjuntamente distribuídas com momentos de ordem finitos, então [ E(XY )] E ( X ) E ( Y ), verificando-se a igualdade se, e somente se, para alguma constante t 0, P (t 0 X = Y ) = 1 Teorema 1 O valor absoluto do coeficiente de correlação nunca exceda a unidade, ρ 1; além disso, ρ = ±1 quando e só quando, com probabilidade um, (Y µ Y ) σ Y = ± (X µ X) σ X Resumindo, se as va X e Y são independentes, ρ = 0; se X e Y são linearmente independentes (com probabilidade um), ρ = ±1; nos outros casos, os valores mais ou menos elevados de ρ traduzem o menor ou maior afastamento entre duas rectas que delimitam a região do plano onde se concentram com elevada probabilidade os valores de (X, Y ) Voltaremos a este assunto no último capítulo destes apontamentos Teorema Se as va X e Y possuem segundos momentos finitos, então V ar(x ± Y ) = V ar(x) ± Cov(X, Y ) + V ar(y ) Corolário 3 Se as va X e Y possuem segundos momentos finitos e covariância nula, então Distribuições Condicionados V ar(x ± Y ) = V ar(x) + V ar(y ) O conceito de distribuição condicionada é baseado no de probabilidade condicionada Vamos somente estudar o caso bidimensional e de uma forma abreviada No caso discreto, a probabilidade do acontecimento X = x i, condicionada pela realização do acontecimento Y = y j, com P (Y = y j ) > 0, define-se por P (X = x i Y = y j ) = P (X = x i, Y = y j ), P (Y = y j ) onde y j é um valor fixo e para i = 1, De modo semelhante, define-se a probabilidade de Y = y j condicionada por X = x i As notações utilizadas para estas funções de probabilidade são, no primeiro caso, com y j fixo e i = 1,, ; no segundo caso f(x i y j ) = f(x i, y j ) f (y j ), f(y j x i ) = f(x i, y j ) f 1 (x i ), com x i fixo e j = 1, No caso contínuo, a função de distribuição de Y condicionada por X = x, simbolicamente, F (y x) ou F y x (y x) é dada por F (y x) = y f(x, v) dv + = f(x, v) dv 3 y f(x, v) dv f 1 (x)
25 Derivando em ordem a y obtém-se a correspondente função de densidade de Y condicionada por X = x, f(y x) = f(x, y) f 1 (x) Analogamente, define-se função de densidade de X condicionada por Y = y, f(x y) = f(x, y) f (y) Vejamos agora o que se passa com os valores esperados destas distribuições condicionadas Definição 5 Considere-se a va φ(x, Y ) função das va X e Y O valor esperado de φ(x, Y ) condicionado por X = x, em símbolos E[φ(X, Y ) X = x] ou, simplesmente, E[φ(X, Y ) x] é definido, consoante se trate do caso discreto ou contínuo, por E[φ(X, Y ) x i ] = φ(x i, y j )f(y j x i ), j ou, por, Define-se E[φ(X, Y ) y] de modo análogo E[φ(X, Y ) x] = + φ(x, y)f(y x) Em particular, consoante se trate do caso discreto ou contínuo, E(Y x i ) = j y j f(y j x i ) ou E(Y x) = + yf(y x) dy, representa a média de Y condicionada por X = x, isto é, a média da distribuição condicionada com fp ou fdp f(y x) Fisicamente, E(Y x) é o centro de gravidade da distribuição de probabilidade sobre a recta X = x Observe-se que E(Y X) é uma va função da va X, que assume o valor E(Y x) quando X assume o valor x Do mesmo modo, consoante se trate do caso discreto ou contínuo, E(X y j ) = i x i f(x i y j ) ou E(X y) = + xf(x y) dx, representa a média de X condicionada por Y = y, isto é, a média da distribuição condicionada com fp ou fdp f(x y) e E(X Y ) é uma va função da va Y, que assume o valor E(X y) quando Y assume o valor y Proposições 4 Existindo os valores esperados respectivos, 1 E(c X) = c, onde c é uma constante; E[mφ(Y ) + c X] = me[φ(y ) X] + c; 3 E[φ 1 (Y ) + φ (Y ) X] = E[φ 1 (Y ) X] + E[φ (Y ) X]; 4 E[φ 1 (X)φ (Y ) X] = φ 1 (X)E[φ (Y ) X]; 5 E[φ(Y )] = E [E (φ(y ) X)]; 6 E(Y ) = E[E(Y X)]; 7 Se Y 0, E(Y X) 0; 8 Se Y 1 Y, E(Y 1 X) E(Y X) 4
26 Capítulo 3 Distribuições Teóricas 31 Distribuição Uniforme Discreta em N Pontos Definição 31 A va X diz-se que tem uma distribuição uniforme discreta em N pontos quando a respectiva fp é da forma f(x i ) = P (X = x i ) = 1, i = 1,,, N N Proposição 31 Se X é uma va com distribuição uniforme em N pontos, então 1 G X (t) = 1 N N e txi ; i=1 E(X) = 1 N 3 V ar(x) = 1 N N x i ; i=1 ( ) N x 1 N i x i N i=1 i=1 Observação 31 Em particular, se x i = i, i = 1,, N, E(X) = N + 1 e V ar(x) = N Distribuição Binomial A distribuição Binomial é um modelo probabilístico que permite o estudo de experiências aleatórias onde importa a contagem do número de vezes que ocorre um determinado acontecimento A utilização deste modelo requer que as provas (experiências) sejam de Bernoulli, isto é, uma sequência de experiências aleatórias independentes em cada umas das quais se observa a realização ou não realização de um acontecimento A com probabilidade p, constante A ocorrência de A constitui um sucesso e a ocorrência de A um insucesso No caso em que se considera uma única prova de Bernoulli, a respectiva distribuição de probabilidade é definida da seguinte forma: Definição 3 Uma va X tem (segue) distribuição de Bernoulli de parâmetro p (0 p 1, fixo) se a sua função de probabilidade é definida por { p x (1 p) 1 x se x = 0 x = 1 f X (x) = 0 se x R \ {0, 1} Proposição 3 Se X é uma va que tem distribuição de Bernoulli de parâmetro p, então 1 G X (t) = (1 p) + p e t ; E(X) = p; 3 Var(X) = p(1 p) 5
27 Se considerarmos N provas de Bernoulli, o modelo define-se da seguinte forma: Definição 33 Uma va X tem distribuição binomial de parâmetros N e p (com N N e 0 p 1), abreviadamente escreve-se X B(x, N, p) ou, simplesmente, X B(N, p), se a sua fp é tal que f X (x) = { N C x p x (1 p) N x se x = 0, 1,,, N 0 ov Observações 3 1 É evidente que uma va com distribuição binomial é uma va discreta Diz-se então que a distribuição binomial é uma distribuição discreta Se X B(N, p), então F X (x) = P (X x) = x i=0 N C i p i (1 p) N i 3 Obviamente, N N C i p i (1 p) N i = (p + (1 p)) N = 1 i=0 Proposição 33 Se X é uma va tal que X B(N, p), então 1 G X (t) = [(1 p) + p e t ] N ; E(X) = Np; 3 Var(X) = Np(1 p) Exemplo 31 Considere-se a ea: Lançamento de um dado e registo do número de pontos obtidos Qual é a probabilidade de se obter duas vezes a face 3 em 6 lançamentos do dado? Resolução: Defina-se X = número de vezes que ocorre a face 3, em 6 lançamentos Então, X B(6, p), em que p = P (A) = 1 6, com A = saída da face 3 Pretende-se calcular P (X = ): P (X = ) = 6 C ( 1 6 ) ( ) Observe-se ainda que E(X) = = 1, Var(X) = = 5 6 e σ X = 33 Distribuição Geométrica Para a distribuição binomial, o número de provas de Bernoulli era fixo Agora, tomaremos uma sucessão infinita de provas de Bernoulli A probabilidade de sucesso é p, constante de prova para prova, e uma variável aleatória com distribuição geométrica representará o número de provas de Bernoulli, independentes, de parâmetro p, até à ocorrência do primeiro sucesso Assim, Definição 34 Uma va X tem distribuição geométrica de parâmetro p, abreviadamente X Geo(p), quando a sua fp for da forma { (1 p) f(x) = x 1 p se x = 1,, 0 ov de x Proposição 34 Se X é uma va tal que X Geo(p), então 1 G X (t) = p e t 1 1 (1 p)e t ; E(X) = 1 p ; 3 V ar(x) = 1 p p 5 6 6
28 Teorema 35 Se X é uma va tal que X Geo(p), então, para quaisquer inteiros positivos s e t, P (X > s + t X > s) = P (X > t) Observação 33 Devido ao teorema anterior, é usual dizer-se que a distribuição geométrica não tem memória, já que, decorridas mais de s provas sem que tenha ocorrido um sucesso, a probabilidade de ainda ter de esperar mais t provas é exactamente igual à probabilidade de ter de esperar mais de t provas por um sucesso a partir no momento inicial 34 Distribuição Hipergeométrica Vimos que a distribuição binomial é o modelo teórico adequado para estudar as propriedades dos esquemas probabilísticos do seguinte tipo: Considere-se um conjunto (população) finito constituído por M elementos de dois tipos (digamos, A e B) nas proporções p e q = 1 p, do qual se retira ao acaso e com reposição N elementos; qual a probabilidade de obter x elementos de um determinado tipo (por exemplo, do tipo A), com 0 x N? Observe-se que, no esquema anterior, a extracção de um determinado elemento não depende de uma extracção anterior, já que existe reposição desse elemento Assim, as sucessivas provas (extracções) são independentes (provas de Bernoulli) Se os elementos forem retirados sucessivamente sem reposição (ou em bloco) a independência deixa de existir, pois a probabilidade de ocorrência de cada um dos resultados possíveis não se mantém constante de prova para prova Então, passaremos a ter um modelo probabilístico diferente do binomial que se define da seguinte forma: Definição 35 Uma va X segue uma distribuição hipergeométrica de parâmetros M, N e p (simbolicamente X H(M, N, p), se a sua fp é definida por com q = 1 p Mp C x Mq C N x f X (x) = M se x N 0 max(0, N Mq) x min(n, Mp) C N 0 ov de x Proposição 36 Se X é uma va tal que X H(M, N, p), então 1 E(X) = Np; Var(X) = Np(1 p) M N M 1 Observe-se que os valores esperados das distribuições B(N, p) e H(M, N, p) é o mesmo e as variâncias apenas se distinguem pelo factor (M N)/(M 1) Quando M é grande comparado com N, naturalmente que se esbate a diferença entre extracções com e sem reposição Nesta situação, (M N)/(M 1) é próximo da unidade e não surpreende o seguinte resultado: Teorema 37 Com N e p fixos, Mp C x Mq C N x lim M + M = N C x p x q N x, C N isto é, a distribuição hipergeométrica H(M, N, p) aproxima-se da distribuição binomial B(N, p), para M grande Exemplo 3 De um grupo de 1000 habitantes de uma certa região há % que são proprietários das casas que habitam Se se colhe ao acaso uma amostra de 100 indivíduos, com e sem reposição, são as seguintes as probabilidades de obter x indivíduos com casa própria: a) com reposição: 100 C x (00) x (098) 100 x ;, b) sem reposição: 0 C x 980 C 100 x 1000 C 100 No quadro seguinte faz-se a comparação dos respectivos valores não se tendo ido além de x = 9, por motivos óbvios 7
29 x B(N = 100, p = 00) H(M = 1000, N = 100, p = 00) Quando N < M/10, a distribuição Binomial fornece já uma aproximação satisfatória da distribuição Hipergeométrica, podendo nesse caso beneficiar-se da sua maior acessibilidade 35 Distribuição de Poisson A distribuição de Poisson, desenvolvida por SD Poisson, permite descrever um vasto conjunto de fenómenos aleatórios em que os acontecimentos se repetem no tempo (por exemplo, as entradas de clientes num supermercado) ou no espaço (por exemplo, os defeitos de isolamento registado ao longo de um cabo eléctrico ou os defeitos de acabamento numa placa de vidro) Uma va discreta que represente o número de ocorrências de uma dado acontecimento por unidade de tempo (ou espaço) seguirá uma distribuição de Poisson se verificar as seguintes condições: C1 O números de ocorrência registadas em diferentes intervalos de tempo (espaço) são independentes entre si C A distribuição do número de ocorrências em cada intervalo de tempo (espaço) é a mesma para todos os intervalos C3 A probabilidade de se registar uma ocorrência num intervalo qualquer de dimensão (comprimento) t, P 1, é praticamente proporcional à dimensão do intervalo, isto é, P 1 λ t Nestas condições, temos a definição seguinte: Definição 36 Uma va X tem distribuição de Poisson de parâmetro λ > 0, simbolicamente X P oisson(λ), se a sua fp é definida por e λ λ x se x N f X (x) = 0 x! 0 ov de x Observação 34 Sendo e λ = + x=0 λ x, então resulta de imediato que, se X P oisson(λ), x! + P (X = x) = + x=0 x=0 e λ λ x x! = e λ + x=0 λ x x! = e λ e λ = 1 Proposição 38 Se X é uma va tal que X P oisson(λ), então 1 G X (t) = e λ(et 1) ; E(X) = λ; 3 Var(X) = λ; Teorema 39 Se as va X i, para i = 1,,, n, são independentes e X i P oisson(λ i ), i = 1,,, n, então ( n n ) X = X i P oisson λ i i=1 i=1 8
30 A distribuição de Poisson foi descoberta quando este matemático estudava formas limite da distribuição binomial A forma como uma distribuição binomial pode ser aproximada por uma distribuição de Poisson é dada por: Teorema 310 Seja X uma va tal que X B(N, p) Então, quando N + e p é próximo de zero, X o P oisson(np) Observação 35 A qualidade da aproximação depende de N, λ e x Em geral: 1 Fixados λ e x, melhora quando N aumenta; Fixados N e x, melhora quando λ se aproxima de zero; 3 Fixados N e λ, piora quando x se afasta de λ Convém ainda referir que, quando N + e, simultaneamente, p 0 de forma que Np λ, a qualidade de aproximação piora Exemplo 33 Seja X B(1000, 0001) Sabemos, por exemplo, que P (X > 1) = 1 P (X = 0) P (X = 1) = C 0 (0001) 0 (0999) C 1 (0001) 1 (0999) 999 = e aproximando pela distribuição de Poisson: X o P oisson(1) O erro é inferior a P (X > 1) 1 e ! e ! = Seja Y B(000, 0001) P (Y > 1) = 1 P (Y = 0) P (Y = 1) = C 0 (0001) 0 (0999) C 1 (0001) 1 (0999) 1999 = e aproximando pela distribuição de Poisson: Y o P oisson() P (Y > 1) 1 e 0 0! e 1 1! O erro é inferior a mas superior a = O interesse prático de aproximar uma distribuição binomial por uma de Poisson resulta de o cálculo da função de probabilidade ser mais simples no segundo caso Tendo em conta o que foi referido na última observação e usando simulações, tal aproximação só é razoável quando N 30 e só tem interesse quando a distribuição Binomial for assimétrica com Np < 5 De facto, veremos mais à frente que se a distribuição Binomial for simétrica (ou quase simétrica), é mais prático aproximá-la por uma outra distribuição (a distribuição Normal) A distribuição de Poisson na forma como foi definida serve essencialmente para interpretar fenómenos (como os descritos anteriormente) num intervalo de tempo ou espaço de comprimento 1 Em geral, para um intervalo [0, t], a função de probabilidade é dada por isto é, X P oisson(λt) P (X = x) = e λt (λt) x, x = 0, 1,,, x! 9
3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia maisBIOESTATÍSTICA. Parte 3 Variáveis Aleatórias
BIOESTATÍSTICA Parte 3 Variáveis Aleatórias Aulas Teóricas de 29/03/2011 a 26/04/2011 3.1. Conceito de Variável Aleatória. Função de Distribuição Variáveis aleatórias Uma variável aleatória pode ser entendida
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisResumo Elementos de Probabilidades e Estatística
Resumo Elementos de Probabilidades e Estatística Capítulo 1 Dados Estatísticos 1.2 Amostra, População Colecção de Dados : conjunto de observações de certo(s) atributo(s), qualquer que seja a forma como
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisVariável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada
Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O
Leia maisMatemática I. 1 Propriedades dos números reais
Matemática I 1 Propriedades dos números reais O conjunto R dos números reais satisfaz algumas propriedades fundamentais: dados quaisquer x, y R, estão definidos a soma x + y e produto xy e tem-se 1 x +
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X 0 1 2 3 R x X(s) X(S) Uma função X que associa a cada elemento de S (s S) um número real
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisExperiências Aleatórias. Espaço de Resultados. Acontecimentos
Experiências Aleatórias. Espaço de Resultados. Acontecimentos Experiência Aleatória É uma experiência em que: não se sabe exactamente o resultado que se virá a observar; conhece-se o universo dos resultados
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisCapítulo II-Teoria da Probabilidade
Capítulo II-Teoria da Probabilidade Os assuntos expostos nos slides 58 a 75 serão estudados apenas na aulas práticas, visto serem assuntos de revisão. Noções Preliminares Definição Fenómenos aleatórios
Leia maisAULAS 6 e 7. ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017
AULAS 6 e 7 ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017 Em aulas passadas vimos as funções de probabilidade de variáveis discretas e contínuas agora vamos ver
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Frederico Caeiro 2009/10 Observação: Estas folhas servem de apoio às aulas de Probabilidades e Estatística. Para uma melhor compreensão dos assuntos abordados, aconselha-se
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisprobabilidade PE-MEEC 1S 09/10 16 Capítulo 2 - de probabilidade 2.1 Experiências aleatórias. resultados. Acontecimentos probabilidade.
Capítulo 2 - Noções básicas de probabilidade 2.1 Experiências aleatórias. Espaço de resultados. Acontecimentos 2.2 Noção de probabilidade. Interpretações de Laplace, frequencista e subjectivista. Axiomas
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #03 de Probabilidade: 19/10/2018 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
Leia maisDistribuições Discretas
META: Estudar o comportamento das Variáveis Aleatórias Discretas, bem como das Distribuições Binomial e Poisson e suas aplicações. Entender o comportamento de uma Variável aleatória Contínua. OBJETIVOS:
Leia maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
Leia maisTeoria das Probabilidades
Experiência aleatória Observação de uma acção cujos resultados não são conhecidos a priori (conhecendo-se no entanto quais as possibilidades) Características: Possibilidade de repetição da experiência
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisESTATÍSTICA I Variáveis Aleatórias Variáveis Aleatórias Discretas. Helena Penalva 2006/2007
ESTATÍSTICA I Variáveis Aleatórias 1 Definição: A uma função X de domínio Ω com valores em Ñ X:Ω Ñ, ω X(ω)=x, chamamos variável aleatória (v.a.) em Ω. Ao contradomínio da função X, designaremos por V X
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisCONCEITOS BASICOS, ORGANIZAÇÃO E APRESENTAÇÃO DOS RESULTADOS, DISTRIBUIÇÃO DE FREQUÊNCIA
DISCIPLINA: MÉTODOS QUANTITATIVOS PROFESSORA: GARDÊNIA SILVANA DE OLIVEIRA RODRIGUES CONCEITOS BASICOS, ORGANIZAÇÃO E APRESENTAÇÃO DOS RESULTADOS, DISTRIBUIÇÃO DE FREQUÊNCIA MOSSORÓ/RN 2015 1 POR QUE ESTUDAR
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisProbabilidades- Teoria Elementar
Probabilidades- Teoria Elementar Experiência Aleatória Experiência aleatória é uma experiência em que: não se sabe exactamente o resultado que se virá a observar, mas conhece-se o universo dos resultados
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia maisTeoria da Probabilidade
Teoria da Probabilidade Luis Henrique Assumpção Lolis 14 de fevereiro de 2014 Luis Henrique Assumpção Lolis Teoria da Probabilidade 1 Conteúdo 1 O Experimento Aleatório 2 Espaço de amostras 3 Álgebra dos
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisCapítulo4- Modelos de probabilidade.
Capítulo4- Modelos de probabilidade. 1- Modelos de probabilidade(110) 1.1) Introdução.(110) 1.) Fenómenos aleatórios(11) Experiência determinística-produz sempre o mesmo resultado desde que seja repetido
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de
Leia mais24/04/2017. Operações que podem ser aplicadas aos eventos
Inferência estatística: processo de extrair conclusões de uma população inteira com base na informação de uma amostra A base para a inferência estatística é a teoria da probabilidade Evento: é o resultado
Leia maisTema 4- Modelos de probabilidade. (Versão: para o manual a partir de 2016/17)
Tema 4- Modelos de probabilidade. (Versão: para o manual a partir de 016/17) 1- Modelos de probabilidade(136) 1.1) Introdução.(36) (Vídeo: 33) 1.) Fenómenos aleatórios(138) Experiência determinística-produz
Leia maisResumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.
Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Variável aleatória É uma função, com propriedades especiais, que transforma eventos em números,
Leia maisTema 4- Modelos de probabilidade.
Tema 4- Modelos de probabilidade. 1- Modelos de probabilidade(136) 1.1) Introdução.(36) [Vídeo: 33] 1.) Fenómenos aleatórios(138) Experiência determinística-produz sempre o mesmo resultado desde que seja
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisMAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição
Leia maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
Leia maisCapítulo II-Teoria da Probabilidade
Capítulo II-Teoria da Probabilidade Os assuntos expostos nos slides 48 a 63 serão estudados apenas na aulas práticas, visto serem assuntos de revisão. Noções Preliminares fenómenos aleatórios fenómenos
Leia maisProbabilidade. Experiências aleatórias
Probabilidade Experiências aleatórias 1 Experiências aleatórias Acontecimento: Qualquer colecção de resultados de uma experiência. Acontecimento elementar: Um resultado que não pode ser simplificado ou
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições de Probabilidade 2007/2008 1 / 31 Introdução Introdução Já vimos como caracterizar
Leia maisTeoria das Probabilidades
08/06/07 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica Universidade Federal do Pará Instituto
Leia maisCapítulo 4 - Variáveis aleatórias e distribuições contínuas
Capítulo 4 - Variáveis aleatórias e distribuições contínuas Conceição Amado e Ana M. Pires 4.1 - Variáveis aleatórias contínuas. Função densidade de probabilidade 3 4.2 - Valor esperado, variância e algumas
Leia maisTeoria das Probabilidades
Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 08:8 ESTATÍSTICA APLICADA I - Teoria das
Leia maisChamamos de evento qualquer subconjunto do espaço amostral: A é um evento A Ω.
PROBABILIDADE 1.0 Conceitos Gerais No caso em que os possíveis resultados de um experimento aleatório podem ser listados (caso discreto), um modelo probabilístico pode ser entendido como a listagem desses
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisMétodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisEstatística (MAD231) Turma: IGA. Período: 2017/2
Estatística (MAD231) Turma: IGA Período: 2017/2 Aula #03 de Probabilidade: 04/10/2017 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
Leia maisSumário. 2 Índice Remissivo 12
i Sumário 1 Definições Básicas 1 1.1 Fundamentos de Probabilidade............................. 1 1.2 Noções de Probabilidade................................ 3 1.3 Espaços Amostrais Finitos...............................
Leia maisAula 10 Variáveis aleatórias discretas
AULA 0 Aula 0 Variáveis aleatórias discretas Nesta aula você aprenderá um conceito muito importante da teoria de probabilidade: o conceito de variável aleatória. Você verá que as variáveis aleatórias e
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisCapítulo 5 - Distribuições conjuntas de probabilidade e complementos 3
Capítulo 5 - Distribuições conjuntas de probabilidade e complementos Conceição Amado e Ana M. Pires Departamento de Matemática Instituto Superior Técnico Capítulo 5 - Distribuições conjuntas de probabilidade
Leia maisProbabilidades. Palavras como
Probabilidades Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Introdução Palavras como provável probabilidade acaso sorte pertencem ao vocabulário corrente
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia maisModelos de Distribuições
7/5/017 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 05/07/017 19: ESTATÍSTICA APLICADA
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisDepartamento de Matemática Instituto Superior Técnico
Capítulo 2 Conceição Amado Departamento de Matemática Instituto Superior Técnico Capítulo 2 - Noções básicas de probabilidade 2 2.1 Experiências aleatórias. Espaço de resultados. Acontecimentos.....................
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisDistribuições Importantes. Distribuições Discretas
Distribuições Importantes Distribuições Discretas Distribuição de Bernoulli Definição Prova ou experiência de Bernoulli é uma experiência aleatória que apenas tem dois resultados possíveis: A que se designa
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia mais