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 o conunto de todos os resultados possíveis; representa um evento; e P(.) é a função de probabilidade, cuo domínio é e o contradomínio é o intervalo [0,]. Nosso obetivo era (e continua sendo) modelar os eperimentos aleatórios a fim de quantificar os valores das probabilidades dos eventos. Para isso, é importante a noção de variável aleatória (v.a) e de função distribuição acumulada (FDA). A primeira é utilizada para descrever eventos; a segunda, para determinar as probabilidades de certos eventos em termos das v.a s. As variáveis aleatórias (v.a. s) transformam um espaço amostral qualitativo em quantitativo, ou sea, podemos descrever os resultados de um eperimento aleatório por meio de números, no lugar de palavras. Por isso, como veremos adiante, diferentemente da função de probabilidade, a FDA é uma função cuo domínio é a reta real e o contradomínio é o intervalo [0,], o que torna possível a sua representação gráfica. Além disso, v.a. s notáveis se adaptam a um grande contingente de problemas muito diferentes, sendo bastante úteis na modelagem de eperimentos aleatórios. NOTAÇÃO: O conunto de todos os pontos s, tais que (s) = é representado por {(s) = }. A probabilidade do evento {(s) = } será representada por P(=) ou p(). Definição: Uma variável aleatória é uma função real qualquer que associa a cada elemento s do espaço amostral W, um número real (s), equivalente ao valor específico de no ponto s. (.): W (s) s W
Eemplo : Uma moeda honesta é lançada uma vez. O espaço amostral é formado pelos dois únicos resultados possíveis: cara (K) e coroa (C). K e C são os dois pontos que formam o espaço amostral, W ={K,C}. Seam, portanto, os valores de : (K) ª e (C) ª 0 Como a moeda é honesta, os resultados são equiprováveis; portanto: P(K)=P(=) = ½ P(C)=P(=0) = ½ é uma v.a. que pode assumir dois valores, 0 e, cada um probabilidade ½, conforme ilustra a figura: ½ ½ 0 Figura. Representação das probabilidades associadas com uma v.a. relacionada ao lançamento de uma moeda honesta. Eemplo 2: Duas moedas honestas são lançadas simultaneamente, apenas uma vez. O espaço amostral possui quatro resultados possíveis e definimos os valores de associados a estes resultados da seguinte maneira: Resultados Possíveis (K,K) (K,C) (C,K) (C,C) Valor associado, (s) 0 2 Neste caso, temos:
P(=0) = ¼ ; P(=) = ½ ; P(=2) = ¼ ¼ ½ ¼ 0 2 Figura 2. Representação das probabilidades associadas com uma v.a. relacionada ao lançamento de duas moedas honestas. Nossa definição de v.a. nada mais é do que uma transformação de eventos (subconuntos de W) em valores numéricos (subconuntos de ). Como estes eventos são gerados a partir de um fenômeno aleatório, os valores de uma v.a. podem também ser interpretados como originados a partir de um fenômeno aleatório. Os valores de uma v.a. podem ser representados por subconuntos da reta real. Então, um evento em W, representado por {s,s 2,...,s k }define um subconunto correspondente {(s ),(s 2 ),...,(s k )} que, por sua vez, também pode ser chamado de evento. Qualquer número real (s), tal que a (s) b pode ser um evento, bem como o conunto nulo e toda a reta dos reais. Eemplo 3: Considere o eperimento de lançar dois dados. W pode ser descrito como o conunto de 36 pontos representados na figura a seguir. W ={(i,) i=,...,6 e =,...,6} º dado 6 4 3 2 2 3 4 6 2º dado Figura 3. Representação dos resultados possíveis no lançamento de dois dados honestos.
Podemos definir várias v.a. s associadas a este eperimento aleatório. Por eemplo: = soma dos valores das faces resultantes: (s) = i +, se s =(i,) Y = diferença entre os valores das faces resultantes: Y(s) = i, se s =(i,) e Y são v.a. s que podem assumir valores 2,3,...,2, no caso de e 0,...,, no caso de Y. Nas situações em geral, assim como ocorreu nos eemplos apresentados, descrevemos v.a. s em termos de eperimentos aleatórios, em vez de especificar sua forma funcional. OBS: Muitos consideram o nome variável aleatória inadequado pois, como vimos, trata-se de uma função real definida no espaço amostral que associa eventos a valores numéricos. A função de probabilidade P também é definida no espaço amostral, com a diferença que uma função de probabilidade é definida numa coleção de subconuntos (eventos) do espaço, enquanto uma v.a. é definida em cada ponto individual do espaço amostral. Os valores que uma função de probabilidade pode assumir estão limitados no intervalo entre 0 e, diferentemente dos valores de uma v.a., que não obedecem a esta restrição. Tipos de VA s As v.a. s podem ser classificadas em discretas ou contínuas. Analisaremos separadamente v.a. s discretas e contínuas pois as ferramentas matemáticas necessárias para cada caso são diferentes. No caso discreto, será necessária a aplicação de apenas somatórios e diferenças. No caso contínuo, será necessário o uso de cálculo integral e diferencial. VA s Discretas: Uma v.a. é dita discreta se assumir um número finito ou infinito enumerável de valores reais, 2,... Se for discreta e assumir determinados valores distintos, 2,..., n,..., então U n n U Ω = { s : ( s) = } = { = } e { = } I { = } = φ, i Portanto: = P(W) = P ( = ) (do aioma iii) n n n A soma das probabilidades para todos os valores possíveis vale, em ambos os casos. n Eemplos: número de filhos em uma família; número de presentes numa sessão de cinema; número de itens defeituosos em um lote. i
VA s Contínuas: Uma v.a. é dita contínua se assumir um número infinito não-enumerável de valores e a probabilidade de que assuma um valor em particular é nula. Neste caso, P( = i ) = 0, para qualquer i. Eemplos: altura e peso de pessoas, quantidade de açúcar em um alimento, tempo de espera em uma fila. Função Distribuição de Probabilidade Vimos que podemos associar uma v.a. a cada evento de um determinado eperimento aleatório. A função distribuição de probabilidade (f.d.p.) de uma determinada v.a. indica como a probabilidade total está distribuída por todos os valores que pode assumir. Definição (caso discreto): Se é uma v.a. discreta que assume valores discretos, 2,..., n,..., então definimos a função distribuição de probabilidade (f.d.p.) de como sendo a função f (.): [0,] f P( = 0, = ), se =, se =,2,..., n,... OBS: Os valores de uma v.a. discreta geralmente são chamados de pontos de massa; portanto a f.d.p. de uma v.a. discreta recebe os nomes de função massa, função probabilidade ou função freqüência discreta. A notação p (.) comumente é usada para o caso discreto. Propriedades: (i) f( ) > 0, para =,2,... (ii) f() = 0, para, =,2,... (iii) f ( ) = Eemplo 4: Considere um grupo de cinco doadores de sangue em potencial (A, B, C, D e E), dos quais, apenas A e B possuem sangue tipo O +. As cinco amostras de sangue, uma de cada um dos indivíduos, são colhidas aleatoriamente, até que um doador do tipo O + sea identificado. Sea Y = número de amostras necessárias para identificar o doador do tipo O +.
p() = P(Y=) = P(A ou B colhidas primeiro) = 2/ = 0,4 p(2) = P(Y=2) = P(C, D ou E colhidas primeiro e depois ou A ou B) = P(C, D ou E colhidas primeiro). P(A ou B depois C, D ou E colhidas primeiro) = 3/.2/4 = 0,3 p(3) = P(Y=3) = P(C, D ou E colhidas primeiro ou em segundo e A ou B colhidas depois) = 3/.2/4.2/3 = 0,2 p(4) = P(Y=4) = P(C, D ou E colhidas todas antes) = 3/.2/4./3 = 0, p(y) = 0, se y,2,3,4 A fdp está representada na tabela e figura a seguir: y 2 3 4 soma P(y) 0,4 0,3 0,2 0, 0. 0.4 Figura. Representação da distribuição de probabilidades para o eemplo 4. p(y) 0.3 0.2 0. 0 0 2 3 4 y Definição (caso contínuo): Se é uma v.a. contínua, então definimos a função distribuição de probabilidade (f.d.p.) de como sendo a função f (.): [0, ), tal que, para quaisquer números a b b P ( a b) = f ( u) du para todo œ. a
OBS: A f.d.p. de uma v.a. contínua recebe também os nomes de função densidade de probabilidade ou função densidade. Propriedades: (i) f() 0, para todo œ. OBS: (ii) f d = Se for uma v.a. contínua, qualquer que sea o número c, P( = c) = 0. Portanto, para quaisquer números a < b, Eemplo : P ( a b) = P( a < b) = P( a < b) = P( a < < b) Suponha que uma pessoa utiliza para ir ao trabalho uma determinada linha de ônibus que passa a cada minutos. Devido a variações no tempo em que a pessoa leva para sair de casa, ela nem sempre chega no mesmo horário na parada de ônibus. Sea a v.a. que representa o tempo de espera da pessoa na parada de ônibus. O conunto dos possíveis valores de é o intervalo [0,]. Uma possível f.d.p. para é: f = 0 0 c.c. Graficamente: 0,4 f(y) 0,2 0 0 2 3 4 6 y
A probabilidade de que a pessoa espere entre e 3 minutos vale: P ( 3) = 3 f d = 3 d = 3 = 2 A probabilidade de que a pessoa espere pelo menos 4 minutos vale: P (4 ) = 4 f d = 4 d = 4 = Função Distribuição Acumulada Definição: A função distribuição acumulada (FDA) de uma v.a., representada por F (.), é a função F (.): [0,], que satisfaz: F () = P( ) = P({s: (s) }), para - < < Uma FDA é unicamente determinada para cada v.a. e, da feita que é conhecida, pode ser utilizada para determinar probabilidades de eventos em termos da v.a. correspondente. No entanto, diferentes v.a. s podem dar origem à mesma FDA. OBS: A FDA também é chamada de função distribuição, simplesmente. Propriedades: (i) F (.) é uma função monotônica não-decrescente; i.e, F ( ) F ( 2 ), para < 2. (ii) F (- ) = lim = 0 F e F ( ) = lim = F (iii) F (.) é contínua pela direita; i.e, F () = F ( + + ) ( F ( ) = lim F ( + h) ) 0< h 0 Toda função F(.) com domínio na reta real e contradomínio no intervalo [0,] que satisfaça as três propriedades apresentadas é definida como sendo uma função distribuição acumulada. Teorema : Dado qualquer, P( > ) = F ()
Teorema 2: Dados e 2 quaisquer, tais que < 2, P( < 2 ) = P( 2 ) - P( ) Teorema 3: Dado qualquer, P( < ) = F ( - ) Teorema 4: Dado qualquer, P( = ) = F ( + ) F ( - ) FDA de v.a. Discreta Sea uma v.a. discreta. F (.) pode ser obtida a partir de f (.) e vice-versa. (i) Dada f (.), então F = P( ) = f { : } (ii) Dada F (.),então f ( ) = F ( ) lim F ( h) 0< h 0 ( ) Eemplo 6: Voltando ao eemplo 4, vamos determinar a FDA para cada um dos possíveis valores de Y: F Y () = P(Y ) = P(Y =) = p() = 0,4. F Y (2) = P(Y 2) = P(Y =)+P(Y =2) = p() + p(2) = 0,7. F Y (3) = P(Y 3) = P(Y =)+P(Y =2)+P(Y =3) = p() + p(2)+ p(3) = 0,9. F Y (4) = P(Y 4) = P(Y =)+P(Y =2)+P(Y =3)+P(Y =4) = p() + p(2)+ p(3)+ p(4) =. Para qualquer outro valor de y, F(y) assume o valor de F para o valor possível mais próimo de Y à esquerda de y, por eemplo: F Y (2,7) = P(Y 2,7) = P(Y 2) = 0,7.
Então: Graficamente, temos: 0 0,4 F ( y) = 0,7 0,9 se y < se y < 2 se 2 y < 3 se 3 y < 4 se 4 y F(y) 0.8 0.6 0.4 0.2 0 0 2 3 4 y Para uma v.a. discreta, o gráfico de F (.) terá forma de escada, apresentando saltos positivos entre os valores possíveis de. Por outro lado, f Y (2) = F Y (2) lim 0< h 0 f Y (2 h) = 0,7 0,4 = 0,3. FDA de v.a. Contínua Sea uma v.a. contínua. F (.) pode ser obtida a partir de f (.) e vice-versa. (i) Dada f (.), então F = P( ) = f ( u) du (ii) Dada F (.),então f = df d De acordo com (i), para cada, F (.) corresponde à área debaio da curva de f (.) à esquerda de.
Eemplo 7: Voltando ao eemplo, vamos determinar a FDA de : Temos que: f = 0 0 c.c. Da definição: = F f d Então: Graficamente, temos: 2 (i) < 0: F = 0d = 0 F() (ii) 0 : 0 F = 0d + d = 0 0 (iii) > : F = 0d + d + 0d = 0 0 0 2 4 6 8 0