Estatística Matemática I
|
|
- Antônio Barreto Bayer
- 5 Há anos
- Visualizações:
Transcrição
1 Estatística Matemática I Roseli Aparecida Leandro e Clarice G.B. Demétrio Março de 2011 Depto. de Ciências Exatas, ESALQ/USP raleandr@esalq.usp.br 1
2 Variáveis aleatórias Sejam E um experimento e Ω = {ω 1,..., ω n } um espaço amostral a ele associado. Uma função X, que associe a cada elemento ω Ω um número real, X(ω), é denominada variável aleatória e tem valores em X = {x 1,..., x m }. Em muitos experimentos variáveis aleatórias são implicitamente utilizadas. Experimento Lançar dois dados Lançar uma moeda 25 vezes Aplicar diferentes doses de fertilizantes a plantas de milho Variável aleatória X = soma dos números X = número de caras X = produção/parcela 2
3 Variáveis aleatórias discretas Seja X uma variável aleatória. Se o número de valores possíveis de X (isto é, de X ) for finito ou infinito enumerável, X é denominada variável aleatória discreta. Isso significa que os valores de X, podem ser dispostos em uma lista como x 1, x 2,.... No caso finito, a lista acaba, e no caso infinito enumerável, a lista continua indefinidamente. Observe que se X = {1, 5; 2, 5; 3, 5}, então, a variável aleatória correspondente será uma variável aleatória discreta. 3
4 A cada possível resultado x i X pode-se associar um número p(x i ) = P (X = x i ) = P {ω j Ω : X(ω j ) = x i }, denominado probabilidade de x i. Os números p(x i ), i = 1, 2,..., devem satisfazer às seguntes condições: (a) p(x i ) 0 para todo i, (b) i=1 p(x i ) = 1 A função p é denominada função de probabilidade da variável aleatória X. A coleção de pares {(x i, p(x i )), i = 1, 2,...}, é denominada distribuição de probabilidades de X. 4
5 Variáveis aleatórias contínuas Diz-se que X é uma variável aleatória contínua, se X puder assumir qualquer valor no intervalo (c, d) (infinito não-numerável), sendo que c e d podem ser e. Se existir uma função f que satisfaça às seguintes condições: (a) f(x) 0 para todo x, (b) f(x)dx = 1 f será denominada função densidade de probabilidade (fdp) de X. Para quaisquer a, b, < a < b <, define-se: P (a X b) = b a f(x)dx. 5
6 Função de distribuição acumulada Seja X uma variável aleatória, discreta ou contínua. Define-se a funcão real de variável real F como a função de distribuição acumulada da variável aleatória X (abreviadamente indicada por fd) como F (x) = P (X x) = P {ω Ω : X(ω) x}. (a) Se X for uma variável aleatória discreta F (x) = j:x i x p(x i ) (b) Se X for uma variável aleatória contínua com fdp f, F (x) = x f(t)dt 6
7 Exemplo: Caso discreto Considere o experimento E: Lançar uma moeda 3 vezes. Defina a variável aleatória X: número de caras obtidas nos 3 lançamentos. Tem-se ω X(ω) (ca, ca, ca) 3 (ca, ca, co) 2 (ca, co, ca) 2 (co, ca, ca) 2 (ca, co, co) 1 (co, ca, co) 1 (co, co, ca) 1 (co, co, co) 0 7
8 O campo de variação da variável aleatória X é X = {0, 1, 2, 3}. Assumindo que os oito pontos do espaço amostral Ω têm a de ocorrência, a distribuição de pro- mesma probabilidade de 1 8 babilidades será: x 0 P X (x) Construa F. Faça seu gráfico. 8
9 Resultados A função F é não decrescente, isto é, se x 1 x 2 F (x 1 ) F (x 2 ). tem-se F é contínua à direita. lim x F (x) = 0 e lim x F (x) = 1 Seja F a fda de uma v.a.c., com fdp f. Então, f(x) = d F (x), para todo x no qual F seja derivável. dx Seja X uma v.a.d., com valores possíveis x 1, x 2,..., e suponhase que esses valores tenham sido indexados de modo que, x 1 < x 2 <.... Seja F a fda de X. Então, p(x j ) = P (X = x j ) = F (x j ) F (x j 1 ) 9
10 Exemplos: Caso contínuo i) Dada a função g(x) = 3 + 2x, para 2 < x < 4, determinar k tal que f(x) = kg(x) seja uma função densidade. Determinar P (2 < x < 3). ii) Seja a fda de uma v.a. X dada por F X = e x. a) Mostre que F X é, realmente, uma fda. Faça seu gráfico. b) Obtenha a função densidade de X. Faça seu gráfico. 10
11 Distribuições Bivariadas Em muitos experimentos podemos estar interessados em dois ou mais característicos numéricos simultaneamente. Por exemplo, a dureza H e a tensão de ruptura de uma peça manufaturada de aço poderíamos, nesse caso, considerar (h, t) como resultado experimental. Poderíamos estudar a estatura X e o peso Y de alguma pessoa escolhida ao acaso o que forneceria o resultado (x, y). Sejam E um experimento e Ω um espaço amostral associado a E. Sejam X = X(ω) e Y (ω) duas funções, cada uma associando um número real a cada resultado ω Ω. Denominaremos (X, Y ) uma variável aleatória bidimensional (algumas vezes chamada vetor aleatório). 11
12 Se X 1 = X 1 (ω), X 2 = X 2 (ω),..., X n = X n (ω) forem n funções, cada uma associando um número real a cada resultado elementar ω ω, denominaremos (X 1, X 2,..., X n ) uma variável aleatória n- dimensional (ou um vetor aleatório n-dimensional). (X, Y ) será uma variável aleatória discreta bidimensional se os valores possíveis de (X, Y ) forem finitos ou infinitos enumeráveis. Isto é, se os valores possíveis de (X, Y ) puderem ser representados por (x i, y j ), i = 1, 2,... ; j = 1, 2,.... (X, Y ) será uma variável aleatória contínua bidimensional se X e Y puder assumir todos os valores em algum conjunto nãoenumerável do plano real. Observe que, podemos ter, também, os casos mistos : X discreta e Y contínua e/ou vice-versa. 12
13 Função de probabilidade conjunta: caso discreto Seja (X, Y ) uma variável aleatória discreta bidimensional. A cada resultado possível (x i, y i ) associaremos um número que satisfaz (a) p(x i, y j ) 0 para todo (x i, y j ), (b) i=1 j=1 p(x i, y j ) = 1 a função p assim definida é chamada função de probabilidade de (X, Y ). O conjunto dos ternos {(x i, y j, P (x i, y j )), i, j = 1, 2,...} é denominado distribuição de probabilidades conjunta de (X, Y ). 13
14 Função densidade de probabilidade conjunta: Caso Contínuo Seja (X, Y ) uma variável aleatória contínua assumindo todos os valores em alguma região R do plano euclidiano. A função densidade de probabilidade conjunta f é uma função que satisfaz às seguintes condições: (a) f(x, y) 0 para todo (x, y) R, (b) f(x, y)dxdy = 1 14
15 Função de distribuição acumulada conjunta Seja (X, Y ) uma variável aleatória bidimensional. A função de distribuição acumulada (fd) da variável aleatória bidimensional (X, Y ) é definida por: Resultado: F XY (x, y) = P (X x, Y y) Se F for a fd de uma variável aleatória bidimensional com fdp f então: sempre que F for derivável. F XY (x, y) x y = f XY (x, y) 15
16 Distribuições marginais A cada variável aleatória bidimensional (X, Y ) associamos duas variáveis aleatórias unidimensionais, a saber, X e Y, individualmente. Isto é, podemos estar interessados na distribuição de probabilidades de X ou de Y. Resultado: No caso discreto bidimensional teremos: A distribuição de probabilidade marginal de X p(x i ) = P (X = x i ) = P (X = x i, Y = y 1 ou X = x i, Y = y 2 ou...) = j=1 p(x i, y j ) 16
17 A distribuição de probabilidade marginal de Y p(y i ) = P (X = y j ) = P (X = x 1, Y = y j ou X = x 2, Y = y j ou...) = i=1 p(x i, y j ) No caso contínuo bidimensional teremos: Seja f XY a fdp conjunta da variável aleatória bidimensional contínua (X, Y ). Definem-se as funções de densidades marginais de X, f X, e de Y, f Y por: f X (x) = f X,Y (x, y)dy e f Y (y) = f X,Y (x, y)dx 17
18 Probabilidade condicionada Caso discreto p(x i y j ) = P (X = x i Y = y j ) = p(x i, y j ) p(y j ) p(y j x i ) = P (Y = y j X = x i ) = p(x i, y j ) p(x i ) se p(y j ) > 0 se p(x i ) > 0 18
19 No caso contínuo, a formulação da probabilidade condicionada apresenta alguma dificuldade, uma vez que para quaisquer x 0 e y 0 dados P (X = x 0 ) = P (Y = y 0 ) = 0 Seja (X, Y ) uma variável aleatória contínua bidimensional com fdp conjunta f. Sejam f X e f Y as fdp marginais de X e Y respectivamente. Então: A fdp de X condicionada a um dado Y = y é definida por: f X Y (x Y = y) = f X,Y (x, y), f Y (y) > 0 f Y (y) 19
20 A fdp de Y condicionada a um dado X = x é definida por: f Y X (Y X = x) = f X,Y (x, y), f X (x) > 0 f X (x) Interprete geometricamente. Interprete f X,Y (x, y), f X, f Y, f X Y e f Y X quando X e Y forem, respectivamente, altura do pai e altura do filho.
21 Variáveis aleatórias independentes Lembremos que dois eventos A e B são independentes sss P (A B) = P (A)P (B). Caso discreto Seja (X, Y ) uma variável aleatória discreta bidimensional. Diremos que X e Y são variáveis aleatórias independentes se, e somente se, p(x i, y j ) = p(x i )p(y j ) para quaisquer i e j 20
22 Isto é, P (X = x i, Y = y j ) = p(x = x i )p(y = y j ) para quaisquer i e j Caso contínuo Seja (X, Y ) uma variável aleatória contínua bidimensional. Diremos que X e Y são variáveis aleatórias independentes se, e somente se, f (X,Y ) (x, y) = f X (x)f Y (y) para todo (x, y)
23 Esperança Matemática para v.a. unidimensionais Caso discreto Se X é uma v.a.d. que assume os valores x 1,..., x m com as respectivas probabilidades p(x 1 ),..., p(x m ), a esperança matemática de X, ou valor médio de X, é E(X) = m i=1 x i p(x i ) Exemplo: No lançamento de um dado, se X é a v.a. que indica o número de pontos obtidos, qual é a esperança de X? E(X) = = 3, 5 Isso significa que em um grande número de jogadas, espera-se obter uma média em torno de 3,5. 21
24 Esperança Matemática para v.a. unidimensionais Caso contínuo Se X é uma v.a.c. com função densidade f(x), a esperança matemática de X, ou valor médio de X, é E(X) = xf(x)dx Exemplo: Seja a v.a. X com fdp Tem-se que f(x) = E(X) = 1 2 x x [0, 2] 0 caso contrário 2 xf(x)dx = x2 dx =
25 Esperança Matemática de uma função de X a) E[g(X)] = m i=1 g(x i )p(x i ), v.a.d. Exemplo: No lançamento de um dado, se X é a v.a. que indica o número de pontos obtidos, E(X 2 ) = = 15, 17 b) E[g(X)] = g(x)f(x)dx, v.a.c. Exemplo: E(X 2 ) = x 2 f(x)dx = x 3 dx = 2 23
26 Esperança Matemática para v.a. bidimensionais Sejam X e Y variáveis aleatórias com função de probabilidade conjunta p(x i, y j ) se ambas forem discretas ou função densidade de probabilidade conjunta f(x,y) se ambas forem contínuas. O valor esperado da função g(x,y) é E[g(X, Y )] = m n i=1 j=1 g(x i, y j )p(x i, y j ), v.a.d. E[g(X)] = g(x, y)f(x, y)dxdy, v.a.c. 24
27 Observa-se que se g(x, Y ) = X, então, obtém-se E(X) = m n i=1 j=1 x i p(x i, y j ) = m x i n i=1 j=1 p(x i, y j ) = m i=1 x i p(x i ), no caso de v.a.d., sendo p(x i ) a função de probabilidade marginal de X i. E(X) = xf(x, y)dxdy = x f(x, y)dxdy = xg(x)dx, no caso de v.a.c., sendo g(x) a função densidade de probabilidade marginal de X. Semelhante para g(x, Y ) = Y 25
28 Propriedades de Esperança Matemática Teorema 1 Se a e b são constantes e X uma v.a., então, E(aX + b) = ae(x) + b Corolário 1 Se a = 0, tem-se E(b) = b, isto é, a esperança de uma constante é a própria constante. Corolário 2 Se b = 0, tem-se E(aX) = ae(x), isto é, a esperança do produto de uma constante por uma v.a. é o produto da constante pela esperança da v.a. 26
29 Teorema 2 - Teorema da soma Se X e Y são duas v.a. quaisquer, então, E(X + Y ) = E(X) + E(Y ) Esse teorema generaliza-se para n variáveis E(X 1 + X X n ) = E(X 1 ) + E(X 2 ) E(X n ) Teorema 3 - Teorema do produto Se X e Y são duas v.a. independentes, então, E(XY ) = E(X)E(Y ) Esse teorema generaliza-se para n variáveis independentes E(X 1 X 2... X n ) = E(X 1 )E(X 2 )... E(X n ) 27
30 Casos especiais de esperança matemática: momentos a) Momentos em relação à origem Define-se como momento de ordem n em relação à origem e representa-se por µ n, a esperança matemática de X n, isto é, µ n = E(X n ) = m i=1 x n i p(x i), v.a.d. µ n = E(X n ) = xn f(x)dx, v.a.c. O momento em relação à origem mais importante é o primeiro momento. 28
31 Verifica-se que o momento de ordem 0 em relação à origem é igual a 1, pois ou µ 0 = E(X0 ) = m i=1 µ 0 = E(X0 ) = x 0 i p(x i) = m i=1 p(x i ) = 1 x0 f(x)dx = 1 b) Momentos em relação à média Define-se como momento de ordem n em relação à média e representa-se por µ n, a esperança matemática de [X E(X)] n, isto é, µ n = E[X E(X)] n = µ n = E[X E(X)] n = m i=1 [x i E(X)] n p(x i ), v.a.d. [x E(X)]n f(x)dx, v.a.c. 29
32 O momento em relação à origem mais importante é o segundo momento, também chamado variância µ 2 = σ 2 = E[X µ ] 2 = E(X 2 ) [E(X)] 2 Verifica-se que o primeiro momento em relação à média é zero, isto é, E[X E(X)] = E(X) E(X) = 0 São importantes, ainda, o terceiro e o quarto momentos em relação à média, pois estão relacionados, respectivamente, à assimetria e à curtose da distribuição.
33 Tem-se α 3 = E[(X mu)3 σ 3 = µ 3 (σ 2 ) 3/2 o coeficiente de assimetria (igual a zero para distribuições simétricas) e α 4 = E[(X mu)4 σ 4 = µ 4 (σ 2 ) 2 o coeficiente de curtose (igual a três para a distribuição normal). 30
34 Relação entre os momentos de ordem n em relação à 31
35 Função geradora de momentos Define-se a função geradora de momentos de uma v.a. X como M X (t) = E(e tx ), isto é, M X (t) = E(e tx ) = M X (t) = E(e tx ) = m i=1 e tx ip(x i ), etx f(x)dx, v.a.d. v.a.c. Em qualquer dos casos, discreto ou contínuo, M X (t) é apenas o valor esperado de e tx. A razão da designação Função geradora 32
36 de momentos é que os coeficientes do desnvolvimento M X (t) por séries de Maclaurin permite determinar os momentos, isto é, M X (t) = isto é, m i=1 [1+ tx i 1! +(tx i) ]p(x i ) = 2! m i=1 p(x i )+t M X (t) = 1 + µ 1 t + t 2 µ 2 2! + µ 3 3!.... t 3 m i=1 x i p(x i )+ t2 2! m x 2 i i=1 Para t = 0, M X (0) = 1 = µ 0.
37 Derivando-se M X (t) em relação a t, tem-se M X (t) = µ 1 + 2t µ 2 2! + 3t 2 µ 3 3!.... e, fazendo-se t = 0, tem-se M X (0) = µ 1. Derivando-se M X (t) em relação a t, tem-se e, fazendo-se t = 0, tem-se M X (t) = µ 2 + µ 3 t M X (0) = µ 2 e, assim, sucessivamente, verifica-se que µ (n) = E(X(n) ) = M (n) X (0)
38 em que M (n) X (0) é a derivada de ordem n em relalação a t da função M X (t) no ponto t = 0.
39 Covariância e coeficiente de correlação 33
40 Distribuições de funções de variáveis aleatórias Estamos interessados em achar a distribuição de funções de variáveis aleatórias. Mais precisamente, dada as variáveis, X 1, X 2, X 3,..., X n e funções dessas n variáveis aleatórias, digamos: g 1 (X 1,..., X n ),..., g k (X 1,..., X n ), desejamos encontrar a distribuição conjunta de Y 1, Y 2,..., Y k, em que Y j = g j (X 1,..., X n ), j = 1,..., k. Se a distribuição conjunta de X 1, X 2, X 3,..., X n é dada, então, pelo menos teoricamente, podemos achar a distribuição conjunta de Y 1, Y 2,..., Y k isto porque a distribuição conjunta de Y 1, Y 2,..., Y k satisfaz F Y1,Y 2,...,Y k (y 1, y 2,..., y k ) = P [Y 1 y 1,..., Y k y k ] = P [g 1 (X 1,..., X n ) y 1,..., g k (X 1,..., X n ) y k ] 34
41 para y 1,..., y k, que é a probabilidade de um evento descrito em termos de X 1, X 2,..., X n, e teoricamente tal probabilidade pode ser determinada integrando ou somando a densidade conjunta sobre a região correspondente ao evento. O problema é que em geral o cálculo dessa integral ou soma pode ser difícil de ser determinado.
42 Serão apresentadas três técnicas para encontrar a distribuição de funções de variáveis aleatórias, a saber: 1. Técnica da função da distribuição acumulada; 2. Técnica da função geradora de momentos; 3. Técnica da Transformação ou método do Jacobiano. 35
43 Técnica da função da distribuição acumulada Descrição da técnica: Se a função de distribuição conjunta das variáveis aleatórias X 1,..., X n é conhecida, então, teoricamente, a distribuição de Y 1,..., Y k pode ser determinada, em que Y j = g j (X 1,..., X n ), j = 1,..., k para funções conhecidas g 1 (.,...,.),..., g k (.,...,.). Por definição, a função de distribuição acumulada de Y 1, Y 2,..., Y k é F Y1,Y 2,...,Y k (y 1, y 2,..., y k ) = P [Y 1 y 1,..., Y k y k ] 36
44 Mas para cada y 1,..., y k o evento {Y 1 y 1 ;... ; Y k y k } {g 1 (X 1,..., X n ) y 1,..., g k (X 1,..., X n ) y k } o qual é um evento descrito em termos das variáveis aleatórias conhecidas, X 1,..., X n e das funções, também conhecidas, g 1 (.,...,.),..., g k (.,...,.). Desde que a distribuição conjunta de X 1,..., X n é assumida conhecida a probabilidade do evento {g 1 (X 1,..., X n ) y 1,..., g k (X 1,..., X n ) y k } pode ser calculada e consequentemente F Y1,Y 2,...,Y k (.,...,.) determinada. 37
45 Exemplo Suponha que X tenha distribuição normal padrão e que desejamos calcular a distribuição de Y = g(x) = X 2. F Y (y) = P [Y y] = P [X 2 y] = P [ y X y] = Φ( y) Φ( y) = 2 = 2 y y 0 y 1 e 1 2 u2 du = 2 y 2π 2π 0 Φ(u)du z e 2 z dz 1 1 = 0 Γ( 1 e 1 2 z dz, y > 0, 2 ) 2z que é a função de distribuição acumulada de uma distribuição gama com parâmetros r = 1 2 e λ = 1, ou ainda, uma distribuição 2 χ 2 com 1 grau de liberdade. 38
46 Exemplo: Distribuição do máximo e do mínimo Sejam X 1,..., X n, n variáveis aleatórias. Defina Y 1 = min[x 1,..., X n ] e Y n = max[x 1,..., X n ]. O evento {Y n y} é equivalente ao evento {X 1 y,..., X n y}, sendo assim, F Yn (y) = P [Y n y] = P [max[x 1,..., X n ] y] = P [X 1 y,..., X n y]. Assumindo independência entre os X i, i = 1,..., n, teremos, 39
47 F Yn (y) = n i=1 P [X i y] = n i=1 F Xi (y) E, portanto, a função de distribuição acumulada de Y n = max[x 1,..., X n ] poderá ser expressa em termos da função de distribuição acumulada marginal de X 1,..., X n. Se assumirmos que os X i, i = 1,..., n são identicamente distribuídos possuindo a mesma distribuição acumulada, F X (.) então,
48 n i=1 Assim foi provado o Teorema F Xi (y) = [F X (y)] n Teorema Se X 1,..., X n são variáveis aleatórias independentes e Y n = max[x 1,..., X n ], então: F Yn (y) = n i=1 F Xi (y) Se X 1,..., X n são variáveis aleatórias independentes e identicamente distribuídas com função de distribuição acumulada F X (.) então:
49 F Yn (y) = [F X (y)] n Corolário Se X 1,..., X n são variáveis aleatórias contínuas independentes e identicamente distribuídas com a mesma função densidade de probabilidade f X (x) e função de distribuição acumulada F X (x), então: f Yn (y) = n[f X (y)] n 1 f X (y)
50 Demonstração. f Yn (y) = d dy F Y n (y) = n[f X (y)] n 1 f X (y) Similarmente, F Y1 (y) = P [Y 1 y] = 1 P [Y 1 > y] e o evento {Y 1 > y} é equivalente ao evento {X 1 > y,..., X n > y}, sendo assim, F Y1 (y) = P [Y 1 y] = P [min[x 1,..., X n ] y] =
51 1 P [Y 1 > y] = 1 P [X 1 > y,..., X n > y]. Assumindo independência entre os X i, i = 1,..., n, teremos, F Y1 (y) = 1 n i=1 P [X i > y] = 1 n i=1 [1 F Xi (y)] E, portanto, a função de distribuição acumulada de Y 1 = min[x 1,..., X n ]
52 poderá ser expressa em termos da função de distribuição acumulada marginal de X 1,..., X n. Se assumirmos que os X i, i = 1,..., n são identicamente distribuídos possuindo a mesma distribuição acumulada, F X (.) então, F Y1 (y) = 1 n i=1 [1 F Xi (y)] = 1 [1 F X (y)] n Assim foi provado o Teorema Teorema Se X 1,..., X n são variáveis aleatórias independentes e Y 1 = min[x 1,..., X n ]
53 então: F Y1 (y) = 1 n i=1 [1 F Xi (y)] Se X 1,..., X n são variáveis aleatórias independentes e identicamente distribuídas com função de distribuição acumulada F X (.) então: F Y1 (y) = 1 [1 F X (y)] n
54 Corolário Se X 1,..., X n são variáveis aleatórias contínuas independentes e identicamente distribuídas com a mesma função densidade de p robabilidade f X (x) e função de distribuição acumulada F X (x), então: f Y1 (y) = n[1 F X (y)] n 1 f X (y) Demonstração. f Y1 (y) = d dy F Y 1 (y) = n[1 F X (y)] n 1 f X (y) 40
55 Exercício Suponha que o tempo de vida de um certo tipo de lâmpada é exponencialmente distribuído com média de 100 horas. Se 10 são instaladas simultaneamente, qual é a distribuição do tempo de vida da primeira lâmpada a falhar e qual é o seu tempo de vida médio? Faça um esboço do gráfico da distribuição do tempo de vida mínimo utilizado o software MAPLE. Faça, também, um estudo do comportamento dessa distribuição. 41
56 Solução: Suponhamos que X i denote o tempo de vida da i- ésima lâmpada; então Y 1 = min[x 1,..., X n ] é o tempo de vida da primeira lâmpada a falhar. Assuma que os X i são independentes (por exemplo, se as lâmpadas forem instaladas em paralelo seus tempos de vida serão independentes). Temos, e f Xi (x) = e 1/100x I (0, ) (x) F Xi (x) = ( 1 e 1/100x) I (0, ) (x). 42
57 Assim, f Y1 (y) = 10(e 1/100y ) e 1/100y I (0, ) (y) = e 10/100y I (0, ) (y) que é a função de densidade de probabilidade de uma variável aleatória com distribuição exponencial de parâmetro λ = 1 10 e portanto, E[Y 1 ] = 1/λ = 10 horas.
58 Programa > restart: > f1:=t->10/100*exp(-10/100*t); int(f1(t),t=0..infinity); > int(f1(t),t=0..infinity); > with(plots): > g1:=plot(f1(t),t=0..50, title="tempo de vida minímo de dez l^ampadas > color=green, thickness=3,labels=[tempo,fdp]): > display(g1); > limit(f1(t),t=0.0,right); > limit(f1(t),t=infinity); > int(t*f1(t),t=0..infinity); 43
59 Distribuição da soma e da diferença Teorema Sejam X e Y variáveis aleatórias contínuas distribuídas conjuntamente com densidade f X,Y (x, y) e seja Z = X + Y e V = X Y. Então, f Z (z) = f X,Y (x, z x)dx = f X,Y (z y, y)dy (1) e f V (v) = f X,Y (x, x v)dx = f X,Y (v + y, y)dy (2) 44
60 Demonstração. Demonstremos a (1). De maneira similar podemos demonstrar (2). F Z (z) = P [Z z] = P [X + Y z] = [ z x ] f X,Y (x, y)dy dx = [ z x+y z f X,Y (x, y)dxdy = f X,Y (x, u x)du ] dx pela substituição de y = u x e assim, f Z (z) = df Z(z) dz = d dz { [ z f X,Y (x, u x)du ] } dx =
61 d dz { z [ f X,Y (x, u x)dx ] } du = f X,Y (x, z x)dx Observe que: ba dc f(x, y)dydx = d ba c f(x, y)dxdy (Integrais iteradas) a, b, c, d podem ser ou.
62 Esboce a região de integração para verificar os limites de integração! Programa?inequal with(plots): inequal( x+y-2>=0, x=-3..3, y=-3..3, optionsfeasible=(color=red), optionsopen=(color=blue,thickness=2), optionsclosed=(color=green, thickness=3), optionsexcluded=(color=yellow) ); 45
63 Corolário Se X e Y são variáveis aleatórias contínuas, independentes e Z = X + Y, então: f Z (z) = f X+Y (z) = = f X(z y)f Y (y)dy f Y (z x)f X (x)dx A equação (3) é chamada de fórmula de convolução: (f X f Y )(z). 46
64 Exemplo Suponha que X e Y são v.a. i.i.d.com densidade f X (x) = f Y (y) = I (0,1) (x). Observe que Z = X + Y (0, 2), temos que: f Z (z) = I (0,1) (z) f Y (z x)f X (x)dx = I (0,1) (z x)i (0,1) (x)dx = z { I(0,z) (x)i (0,1) (z) + I (z 1,1) (x)i [1,2) (z) } dx = 1 dx + I [1,2) (z) dx = zi (0,1) (z) + (2 z)i [1,2) (z) 0 z 1 47
65 Distribuição do produto e do quociente Teorema Sejam X e Y variáveis aleatórias contínuas conjuntamente distribuídas com densidade f X,Y (x, y), e seja Z = XY e U = X/Y então: e f Z (z) = 1 x f X,Y ( x, z ) x = 1 y f X,Y ( ) z y, y dy (3) f U (u) = y f X,Y (uy, y)dy (4) 48
66 Demonstração. Provaremos a equação (3). F z (z) = P [Z z] = xy z f X,Y (x, y)dxdy = 0 [ z/x f X,Y (x, y)dy ] dx + 0 [ z/x f X,Y (x, y)dy ] dx, fazendo a substituição, u = xy 0 [ z f X,Y (x, u x )du x ] dx + 0 [ z f X,Y (x, u x )du x ] dx = 49
67 z [ 0 1 x f X,Y (x, u x )dx z [ ] du + z [ 0 1 x f X,Y (x, u ] x )dx du; 1 x f X,Y (x, u ] x )dx du = Portanto, f Z (z) = F Z(z) dz = 1 x f X,Y (x, z x )dx
68 Exemplo Suponha que X e Y são variáveis aleatórias independentes uniformemente distribuídas sobre o intervalo (0, 1). Seja Z = XY e U = X Y. f Z (z) = F Z(z) dz = 1 x f X,Y (x, z x )dx = ( ) 1 z x I (0,1) (x)i (0,1) dx = x x I (0,1) (z)i (z,1) (x)dx = I (0,1) (z) 0 logzi (0,1) (z) 1 1 x I (z,1) (x)dx = I (0,1) (z) z 1 x dx = 50
69 Programa g1:=plot(1/x,x=0..2,y=0..2,color=black): g2:=plot(1/(2*x),x=0..2,y=0..2,color=red): g3:=plot(1,x=0..2,color=green): with(plots): display(g1,g2,g3); Temos que z pertence ao intervalo (0, 1). Assim z não pode assumir o valor 0 nem 1. Suponhamos por absurdo que z=0 e que x diferente de zero ==> y = 0(y = z/x) isso implicaria que o único ponto pertencente ao quadrado (0, 1) (0, 1) seria o ponto (0, 0) (esse caso não ocorre visto que x é diferente de zero e y também). 51
70 O mesmo seria válido para z = 1. Somente o ponto (1, 1) pertenceria ao quadrado (0, 1) (0, 1). Esse caso também não ocorre. Suponha então que z seja um valor entre (0, 1) (Z = XY ). Sem perda de generalidade suponhamos que z = 1/2 ==> y = 1/(2x). Assim para y = 1, x = 1/2. E assim qualquer ponto da curva y = 1/(2x) cuja abscissa, x estiver entre 1/2 e 1 pertenceria ao quadrado (0, 1) (0, 1) e dessa forma a função indicadora daria resultado 1. solve(1/(2*x)=1,x); 1/2
71 Observe que como z foi tomado de forma genérica então a função indicadora seria nula para z em (0, 1) e x em (z, 1). solve(z/x=1,x); z
72 f U (u) = = = y f X,Y (uy, y)dy y I (0,1) (uy)i (0,1) (y)dy y { I (0,1) (u)i (0,1) (y) + I (1, ) (u)i (0,1/u) (y) } dy = I (0,1) (u) /u ydy + I [1, ) (u) ydy 0 0 ( ) 1 2 I (1, ) (u) = 1 2 I (0,1) (u) u [ ] X 1 du = bem dife- u Note que E = E[U] = 1 Y 2 rente de E[X] E[Y ] = udu
73 Técnica da função geradora de momentos Descrição da técnica: É outro método para determinar a distribuição de funções de variáveis aleatórias que é particularmente útil em determinadas circunstâncias. O problema é o mesmo: dadas as variáveis aleatórias X 1,..., X n com densidade conjunta conhecida f X1,...,X n (x 1,..., x n ) e funções g 1 (.,...,.),...,g k (.,...,.), queremos encontrar a distribuição conjunta de Y 1 = g 1 (X 1,..., X n ),..., Y k = g K (X 1,..., X n ). A função geradora de momentos conjunta de Y 1,..., Y k, se existe é dada por, 52
74 m Y1,...,Y k (t 1,..., t k ) = E[e t 1Y t k Y k ] =... e t 1g 1 (x 1,...,x n )+...+t k g k (x 1,...,x n ) f X1,...,X n (x 1,..., x n ) n i=1 dx i (5) se depois que a integração da equação (5) for realizada, a função resultante em função de t 1,..., t k puder ser reconhecida como a função geradora de momentos conjunta de alguma distribuição conjunta conhecida, então seguirá que Y 1,..., Y k tem essa mesma distribuição pelo fato de que, quando existe, a função geradora de momentos é única e determina unicamente a função de distribuição.
75 Se k > 1, está técnica será de uso limitado visto que podemos reconhecer poucas funções geradoras de momentos conjuntas. Para k = 1, a função geradora de momentos é função de um único argumento, e teremos uma chance maior de reconhecer a função geradora de momentos resultante. A aplicação mais útil da técnica da função geradora de momentos é a de poder ser utilizada para achar soma de variáveis aleatórias independentes.
76 Exemplo Suponha que X tem distribuição normal com média 0 e variância 1. Seja Y = X 2 ache a distribuição de Y. m Y (t) = E[e ty ] = E[e tx2 ] = etx2 f X (x)dx = 1 etx2 = 1 2π 2π e 1 2 x2 dx e 1 2 x2 (1 2t) dx = 1 (1 2t) 1/2 1 2π (1 2t) 1/2 e 2 x2 (1 2t) 1 dx = (1 2t) 2 ( ) 1/2 1/2, para t < 1 = 1/2 t 2, 53
77 que reconhecemos como a função geradora de momentos da função gama com parâmetros r = 1 2 e λ = 1, ou ainda, distribuição χ 2 com 1 grau de 2 liberdade. Exemplo Seja X 1 e X 2 duas variáveis aleatórias com distribuição normal padrão. Seja Y 1 = g 1 (X 1, X 2 ) = X 1 + X 2 e Y 2 = g 2 (X 1, X 2 ) = X 2 X 1. Ache a distribuição conjunta de Y 1 e Y 2.
78 m Y1,Y 2 (t 1, t 2 ) = E[e Y 1t 1 +Y 2 t 2 ] = E[e ( X 1 + X 2 )t 1 + (X 2 X 1 )t 2 ] = E[e X 1(t 1 t 2 )+X 2 (t 1 +t 2 ) ] = E[e X 1(t 1 t 2 ) ]E[e X 2(t 1 +t 2 ) ] = m X1 (t 1 t 2 )m X2 (t 1 + t 2 ) = exp (t 1 t 2 ) 2 exp (t 2 t 1 ) = exp(t t2 2 ) = exp 2t2 1 2 exp 2t2 2 2 = m Y1 (t 1 )m Y2 (t 2 ) Notamos que Y 1 e Y 2 são variáveis aleatórias independentes e cada uma possui distribuição normal com média 0 e variância 2.
79 Distribuição da soma de v.a.independentes Teorema Se X 1, X 2,..., X n são variáveis aleatórias independentes e a função geradora de momentos de cada uma delas existe para todos os valores de t tal que h < t < h para algum h > 0, considere Y = n i=1 X i ; então m Y (t) = E exp n i=1 X i t = n i=1 m Xi (t) Prove!!! 54
80 A transformação Y = g(x) Caso Unidimensional A última das três técnicas para achar a distribuição de funções de variáveis aleatórias é a técnica da transformação ou método do Jacobiano. Uma variável aletória X pode ser transformada por alguma função g(.) para definir uma nova variável aletória Y. A densidade de Y, f Y (y), será determinada pela transformação g(.) juntamente com a distribuição de probabilidade de X, f X (x). Primeiramente, se X é uma variável aletória discreta que assume os valores x 1, x 2,..., x n, com probabilidade P [X = x 1 ] = f X (x 1 ), 55
81 P [X = x 2 ] = f X (x 2 ),..., P [X = x n ] = f X (x n ) então a distribuição de probabilidades de Y = g(x) é determinada diretamente pela lei de probabilidades, isto é, a probabilidade de Y assumir o valor y j é dada por: P [Y = y j ] = f Y (y j ) = i:g(x i )=y j f X (x i ) Exemplo Suponha que X assuma os valores 0, 1, 2, 3, 4, 5 com probabilidades f X (0), f X (1), f X (2), f X (3), f X (4) e f X (5). Se Y = g(x) = (X 2) 2, a variável aleatória Y assumirá os valores 0, 1, 4, 9; assim
82 x y f Y (0) = f X (2) f Y (1) = f X (1) + f X (3) f Y (4) = f X (0) + f X (4) f Y (9) = f X (5) Agora, se X é uma variável aleatória contínua, então a distribuição acumulada de Y = g(x) pode ser achada pela integração de f X (x) sobre uma região apropriada, isto é,
83 F Y (y) = P [Y y] = P [g(x) y] = {x:g(x) y} f X(x)dx Justamente da mesma forma que a técnica da função de distribuição acumulada. Exemplo Seja X uma variável aleatória com distribuição uniforme sobre (0, 1) e seja Y = g(x) = X 2. Obtenha a f.d.p. de Y. F Y (y) = P [Y y] = P [X 2 y] = x:x 2 y f X(x)dx =
84 y 0 dx = y para 0 < y < 1; assim F Y (y) = yi (0,1) (y) + I [1, ) (y) e portanto, f Y (y) = 1 1 I 2 y (0,1) (y)
85 A aplicação da técnica da função de distribuição acumulada para achar a distribuição de probabilidade de Y = g(x) deu origem a técnica da transformação (ou método do Jacobiano). Teorema Suponha que X é uma variável aleatória contínua com f.d.p. dada por f X (x). Seja X = {x : f X (x) > 0}. Assuma que: y = g(x) define uma transformação 1-1 (um a um) de X em D. A derivada de x = g 1 (y) com relação a y é contínua e nãonula para y D, em que g 1 (y) é a função inversa de g(x);
86 isto é, g 1 (y) é o x tal que g(x) = y. Então Y = g(x) é uma variável aleatória contínua com f.d.p. f Y (y) = d dy g 1 (y) f X(g 1 (y))i D (y) Exemplo Suponha que X tenha distribuição beta com parâmetros a e b. Qual é a distribuição de probabilidade de Y = ln(x) Temos que X = {x : f X (x) > 0} = {x : 0 < x < 1}.
87 y = g(x) = ln(x) define uma transformação 1-1 de X em D. x = g 1 (y) = e y assim e não nula para y D. d dy g 1 (y) = e y a qual é contínua D = {y : y > 0}. Assim pelo Teorema
88 f Y (y) = d dy g 1 (y) f X(g 1 (y))i D (y) = e y 1 B(a, b) (e y ) a 1 (1 e y ) b 1 I (0, ) (y) = 1 B(a, b) e ay (1 e y ) b 1 I (0, ) (y) Em particular, se b = 1, então B(a, b) = 1 a ; e f Y (y) = ae ay I (0, ) (y), tem-se a distribuição exponencial com parâmetro a. A condição de que g(x) seja uma transformação 1-1 não é necessariamente restritiva. Para um transformação y = g(x), cada ponto em X corresponderá um único ponto D; mas se a um ponto
89 de D corresponder vários em X, significa que a transformação não é 1 1 e consequentemente o Teorema não pode ser aplicado diretamente. Se, entretanto, X puder ser decomposto em um número finito (ou mesmo enumerável) de conjuntos disjuntos, digamos, X 1, X 2,..., tal que y = g(x) define uma transformação 1-1 de X i em D, então a distribuição de probabilidade de Y = g(x) poderá ser calculada. Seja x = gi 1 (y) a inversa de y = g(x) para x X i. Então a densidade de Y = g(x) será dada por: f Y (y) = d dy g 1 i (y) f X(gi 1 (y))i D (y) (6) em que a soma deverá ser sobre todos os i tais que g(x) = y para algum valor de x X i.
90 Exemplo Seja X uma variável aleatória contínua com f.d.p. f X (.), e seja Y = g(x) = X 2. Note que X é um intervalo que contém números positivos e negativos, então y = g(x) = x 2 não é 1-1. Entretanto, se X for decomposto em X 1 = {x : x X, x < 0} e X 2 = {x : x X, x 0}, então y = g(x) define uma transformação 1-1 em cada X i. Observe que g1 1 (y) = y e g2 1 (y) = y. E portanto por (6) f Y (y) = [ 1 1 f X ( y) f X ( y) 2 y 2 y ] I (0, ) (y) Em particular, se
91 f X (x) = 1 2 e x então f Y (y) = 1 1 e y I 2 y (0, ) (y) ou, se f X (x) = 2 9 (x + 1)I ( 1,2) (x), f Y (y) = [ y 9 ( y + 1) y 9 (1 + y) ] I (0,1) (y) y 9 (1 + y)i [1,4) (y)
VARIÁVEIS 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 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 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 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 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 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 mais3 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 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 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 maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
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 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 maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
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 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 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 maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia mais1 Variáveis Aleatórias
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis
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 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Contínuas 14/10 1 / 25 VALE A PENA VER DE NOVO:Variáveis Aleatórias
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 maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisVariáveis Aleatórias. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Variáveis Aleatórias Variável Aleatória Variável aleatória (VA) é uma função que associa a cada
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 maisNOTAS DA AULA. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA VARIÁVEIS ALEATÓRIAS. ESPERANÇA E VARIÂNCIA Prof.: Idemauro Antonio Rodrigues de Lara 2 Objetivo geral da aula Caracterizar variáveis aleatórias discretas e contínuas. Compreender e aplicar
Leia maisVariável aleatória. O resultado de um experimento aleatório é designado variável aleatória (X)
Variável aleatória O resultado de um experimento aleatório é designado variável aleatória (X) Função densidade de probabilidade A função densidade de probabilidade associa cada possível valor da variável
Leia maisUNIVERSIDADE FEDERAL DA 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisVariáveis aleatórias
Variáveis aleatórias Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M /r
Leia maisLucas Santana da Cunha de junho de 2017
VARIÁVEL ALEATÓRIA Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de junho de 2017 Uma função que associa um número real aos resultados
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
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 maisCE085 - Estatística Inferencial
CE085 - Estatística Inferencial Revisão: Probabilidade Básica Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal do Paraná
Leia maisEST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais
EST029 Cálculo de Probabilidade I Cap. 4: Variáveis Aleatórias Unidimensionais Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Introdução Considere o experimento: Lançamento de uma moeda. Resultados
Leia maisNotas de Aula. tal que, para qualquer ponto (x, y) no plano xy, temos: p XY
UNIVERSIDDE FEDERL D BHI INSTITUTO DE MTEMÁTIC DEPRTMENTO DE ESTTÍSTIC v. demar de Barros s/n - Campus de Ondina 40170-110 - Salvador B Tel:(071)247-405 Fax 245-764 Mat 224 - Probabilidade II - 2002.2
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Variáveis Aleatórias Bidimensionais 11/13 1 / 1 Variáveis Bidimensionais Até o momento, consideramos
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisProbabilidade II Lista 1 - Vetores Aleatórios
Probabilidade II Lista - Vetores Aleatórios Exercício. Duas moedas equilibradas são lançadas de forma independente. Dena as v.a's X : número de caras nos dois lançamentos e Y : função indicadora de faces
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
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 maisExercícios propostos:
INF 16 Exercícios propostos: 1. Sabendo-se que Y=X-5 e que E(X)= e V(X)=1, calcule: a)e(y); b)v(y); c)e(x+y); d)e(x + Y ); e)v(x+y); Resp.: 1; 9; 5; 15; 81. Uma urna contém 5 bolas brancas e 7 bolas pretas.
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A função densidade de probabilidade. Exemplo
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 06 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ A função densidade de probabilidade Seja X uma variável aleatória
Leia maisProf. Dr. Lucas Santana da Cunha de maio de 2018 Londrina
Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 21 de maio de 2018 Londrina 1 / 14 Variável aleatória Introdução Definição Uma função que associa um número real
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisAULA 9 - Variável aleatória bidimensional discreta
AULA 9 - Variável aleatória bidimensional discreta Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Variáveis aleatórias bidimensionais Definition Sejam ɛ um experimento e S um espaço amostral
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 maisAULA 10 - Variável aleatória bidimensional contínua
AULA 10 - Variável aleatória bidimensional contínua Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Variável aleatória contínua bidimensional (X, Y ) será uma variável aleatória contínua bidimensional
Leia maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisTipos de Modelos. Exemplos. Efeito. Causas. Exemplos. Causas. Efeito. Modelo determinístico. Modelo probabilístico. Determinístico.
Tipos de Modelos Sistema Real Determinístico Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração clássica v at Aceleração relativística v at + a t c Modelo probabilístico
Leia maisTipos de Modelos. Exemplos. Causas. Efeito. Exemplos. Causas. Efeito. Modelo determinístico. Modelo probabilístico. Determinístico.
5/9/07 Tipos de Modelos Sistema Real Determinístico Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração clássica v at Aceleração relativística v at + a t c Modelo
Leia maisTipos de Modelos. Determinístico. Sistema Real. Probabilístico. Prof. Lorí Viali, Dr. FAculdade de Matemática - Departamento de Estatística - PUCRS
Tipos de Modelos Determinístico Sistema Real Probabilístico Modelo determinístico Causas Efeito Exemplos Gravitação F GM 1 M 2 /r 2 Aceleração clássica v at Aceleração relativística v 1 + at a 2 c t 2
Leia maisVariável Aleatória Contínua (v.a.c)
Variável Aleatória Contínua (v.a.c) Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 20 de junho de 2018 Londrina 1 / 14 (v.a.c.) Uma função Y definida sobre o espaço amostral
Leia maisVARIÁVEIS ALEATÓRIAS. Assim, o espaço amostral é um conjunto com 8 elementos dado por
VARIÁVEIS ALEATÓRIAS Definição.: Dado um espaço de probabilidade (Ω, F, P ), uma variável aleatória X é uma função real definida no espaço Ω, e que toma valores em R tal que o conjunto {ω Ω : [X(ω) x]}
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
Leia maisAULA 11 - Valor esperado e suas propriedades
AULA 11 - Valor esperado e suas propriedades Susan Schommer Introdução à Estatística Econômica - IE/UFRJ O valor esperado de uma variável aleatória Como forma de resumir o comportamento de uma variável
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 maisME-310 Probabilidade II Lista 1
ME-3 Probabilidade II Lista. Seja F (a, b) a função da distribuição acumulada conjunta de v.a. X e Y. Sabendo F, calcule P(X > a, Y > b) e P(a < X < a 2, Y b). 2. A distribuição conjunta de X e Y é dada
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
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 maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisMB-210 Probabilidade e Estatística
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MB-210 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 2o. semestre/2013 Variáveis
Leia maisVariável Aleatória Contínua. Tiago Viana Flor de Santana
ESTATÍSTICA BÁSICA Variável Aleatória Contínua Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual de Londrina UEL Departamento
Leia mais3. Variáveis aleatórias
3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis
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 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisVariáveis Aleatórias. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Luiz Medeiros Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja um
Leia maisProbabilidade Lista 6 - Variáveis Aleatórias Contínuas e Vetores Aleatórios
Probabilidade Lista - Variáveis Aleatórias Contínuas e Vetores Aleatórios Exercício. Uma v.a. X tem distribuição triangular no intervalo [0, ] se sua densidade for dada por 0, x < 0 cx, 0 x /2 c( x), /2
Leia maisCapítulo 5. Variáveis aleatórias. 5.1 Introdução
Capítulo 5 Variáveis aleatórias 5.1 Introdução Em experimentos aleatórios cujo espaço amostral contém alguns eventos de interesse é, em geral, mais fácil lidar como uma variável aleatória, isto é, é mais
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
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 maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Condicionais 11/13 1 / 19 Em estudo feito em sala perguntamos aos alunos qual
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 maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
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 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 maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é
Leia maisLucas Santana da Cunha 23 de maio de 2018 Londrina
Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ 23 de maio de 2018 Londrina 1 / 14 Variável aleatória Introdução Definição Uma função que associa um número real aos resultados de um experimento
Leia maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisProbabilidade 2 - ME310 - Lista 4
Probabilidade - ME30 - Lista 4 November 4, 05 Lembrando:. Geratriz de momentos: M X (t) = E(e t X ) = + et x f(x) dx, observe que dm X (t) = + x et x f(x) dx = dm X (0) = + x et 0 f(x) dx = + x f(x) dx
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisAula 1 - Revisão de Probabilidade e Estatística
Aula 1 - Revisão de Probabilidade e Estatística Matheus Rosso e Camila Steffens 1 de Março de 2018 Conteúdos 1. Introdução à probabilidade 2. Probabilidade condicional e independência 3. Variáveis aleatórias
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
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 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 mais