Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
problema.
Evento: subconjunto de que delimita um interesse especfico.
Experimento: procedimento de obteno de uma amostra.
Amostra: elemento de .
Geovany A. Borges
gaborges@ene.unb.br
=
=
Temperatura baixa:
={ <
={
Temperatura agradvel:
Temperatura alta:
={ >
Espao de probabilidades: = .
={ , , }
Nmero par:
Nmero mpar: = { , , }
=
Nmero negativo:
(2)
(1)
{ }= ,
{ }= ,
{ }= ,
Probabilidade como medida de incerteza. Qual grau de certeza voc atriburia aos
eventos abaixo ?
Freqncia relativa:
/ { } quando ;
Mtodo clssico: sem experimentao, atribui probabilidades iguais para todos os
eventos supostos igualmente provveis;
Conhecimento prvio.
{ } .
{ } tal que
Probabilidade de um avento :
Operaes de conjuntos: Se
Diagrama de Venn
Axiomas:
IV. Se
} =
{ }+
}=
= , 6= , e , = , , ...., ento
I. { }
II. {} =
III. Se = , 6= , e , = , , .... , ento
{ }+
{ }
com relao a
so dijuntos e os eventos so ditos mutuamente
Axiomas da probabilidade
I. : Unio
II. : Interseo
III. : Complemento de
IV. Se = , ento e
excludentes.
Axiomas da probabilidade
(4)
(3)
={ , , } e
Define-se = { , , , , , },
= { , }. Determinar
"
{ | }=
IV. Se
| } =
&
{ | }+
#
| }=
= , 6= , e , = , , ...., ento
{ }
{ }
I. { | }
II. {| } =
III. Se = , 6= , e , = , , .... , ento
&
{ | }+
{ | }
{ | }.
Considere o problema:
(7)
(6)
(5)
'
'
=(
'
'
'
'
)} =
'
'
{ }=
'
'
'
}+
}+...+
'
'
'
{ }
'
'
'
{ | }=
{ | } { }
= { | } { }
*
{ }.
), ento
{ | }
'
'
(8)
{ }
10
(9)
(12)
(11)
(10)
'
= , 6= ,
}+...+
{ | }
'
, com
11
{ | }=
'
{ | } { } tem-se
{ }+...+
'
{ | }
)...(
=
*
{ | }
}+
{ }+
'
'
)...(
)(
{ | }
'
)(
'
{ | } { }
{ }
Como
'
{(
Ento,
'
'
{ | } { }=
{ | }=
'
{ }=
ento
Sendo
Ou seja:
{ }
{ } =
{ } =
{ }=
{ | }
3
{ | } =
{ | } =
{ | }
{ }.
{ },
{ },
{ }.
{ },
13
(escolher
Dispe-se de duas moedas, uma justa e outra injusta, que sempre resulta em cara
quando lanada. Uma delas escolhida ao acaso e jogada vezes. Como resultado,
obtm-se cara todas as vezes. Determine a probabilidade de ter sido usada a moeda
justa em funo de , que a probabilidade de ter sido escolhida a moeda injusta.
12
(15)
(14)
(13)
>
<
>
<
<
( )=
Propriedades de ( ):
Monotnica no-drescente: se
assim
Funo de distribuio:
Variveis aleatrias
<
( )
<
<
>
<
<
>
<
( )
, ento { ( )
( )
<
{ ( ) }
<
} { ( )
<
}e
Variveis aleatrias
15
14
{
D
}=
( )=
( )
( )
( ) + } =
com () =
( ) = .
Tem-se ainda que () = () = .
Considerando o intervalo ( ) + , tem-se
( )
{ ( )
< ( )
< ( )
} {
}+
{ ( )
{ ( )
( ) =
( ) =
} = { ( )
}=
< ( )
{ ( )
levando a
Se < ento { ( )
conjuntos dijuntos. Assim
}.
}, que so
17
(16)
16
Funo de massa:
J
( )>
K
( ) =
( )
{ ( ) }
18
(18)
(17)
19
tal que
Variveis aleatrias
Variveis aleatrias
{ ( )} =
{ ( )} =
Z
X
( )
( )
W
{
\
}=
{ }=
( )=
( )
( )
X
( )
W
}.
= ( )
( ))
(23)
{ } = { ( )} + { ( )}
20
(22)
(21)
(20)
(19)
21
(24)
Assim
Propriedades:
Se = ( ) com () sendo uma funo escalar monotnica no intervalo
. Tem-se que
Caso discreto:
Caso contnuo:
{
k
}=
Z
m
( )
p
( { })
( )
} { }
{( { }) }
=mod{ }
=mod{ }
<
}=
( ), ou seja mod{ } deve satisfazer a ambas as
.
22
Se
w
23
Se ( ) tiver apenas uma moda, diz-se que ela monomodal. Uma FDP com duas
ou mais modas dita multimodal.
( )
( )
{ }=
{ } =
Mediana
{( { }) } =
Define-se tambm { } =
( )
( )
v.a.s
o parmetro da distribuio.
( )=
em que >
( )
25
24
(26)
de Bernoulli
Distribuio de Poisson:
( )=
com
Sendo assim, = { , , , . . . , } e
Distribuio Binomial
em que
,
=
( )=
(25)
,
=
Distribuio de Bernoulli
} = ( + )
{ } =
{( { }) } =
( )=
= ,...,
caso contrrio.
( , ).
( ) =
{ } =
( )=
<
<
caso contrrio.
Notao:
Uma v.a.
Distribuio Uniforme
27
(29)
(28)
(27)
possui = [ , ] e FDP
26
Distribuio Uniforme:
Propriedades: se
( , )
{ } = ,
( )
dada por
{( { }) } = .
( )
() =
() =
() = , ento
=
( )=
( )=
( )=
A funo de distribuio de
em que
29
28
(30)
Notao:
Uma v.a.
da figura anterior.
+ , sendo
6=
( ), .
( ),
.
,
caso contrrio.
( )=
30
(31)
31
( )=
Distribuio Exponencial
Determine
( ) =
{ > }
( )=
( / )
( ) =
caso contrrio
{ } =
{ } =
uma v.a. de
um inteiro e ( / ) =
Notao:
( ) = ( )( ) = ( )
33
32
(32)
( ) ,
( / ),
graus de liberdade)
se
com
Uma v.a.
{ > + | > }=
( )=
),
caso contrrio
(33)
com
,...,
,...,
,...,
{{
}{
Z
( , ,..., ) =
,...,
,...,
,...,
( , ,..., )
( , ,..., )
,
}...{
( , ,..., ) =
}}
35
(35)
(34)
34
Uma v.a.
Distribuio Rayleigh
<
<
,...,
,...,
<
,...,
+ }
,...,
,...,
Se
Se
( ,...,
( ,...,
,...,
| {z
|
,...,
{z
,...,
<
,...,
( , ,..., )
, , . . . , )
( ,...,
Z
) =
,...,
,...,
37
36
( , ,..., )
( , ,..., )
( , ,..., )
( , ,..., )
(, . . . , ) =
}=
(, . . . , ) =
,...,
,...,
( , . . . , = , . . . , ) =
,...,
( , , . . . , ):
,..., ,...,
} = .
+ ,...,
Propriedades de
{ } =
,...,
( )
, + ,...,
, ,
,...,
(, . . . ,
,..., )
( ,..., ,..., )
( ,..., )
,...,
,..., ,
( ,...,
,...,
: partindo de
{ }=
, + ,...,
( )
,..., ,
( )=
,...,
,...,
. . . , )
,...,
e em conseqncia
( )
( , )
=
( , )=
( , )=
( )
( )
( )
Portanto
Com
,...,
38
39
(37)
(36)
,
( , )=
,
( , )=
sejam estatisticamente
, , , + , ,
, ,
( , , ,
De forma similar,
e em conseqncia
, ,
, ,
, ,
( )
( )
( , , )
40
, ,
41
, )
(39)
(38)
so mutuamente independentes
so independentes se
( , , ) =
( , , ) =
, ) =
, ,
, ,
Considerando
, no espao [ , ] [ ,
,
caso contrrio
Considerando
'
tal que ( ,
{ ,
( )
) .
( , , )
)
,...,
0
&
&
&
E ainda, ( ,
)=
)=
&
{ , }
{ } { }
7
&
}= {
&
&
&
&
} { } { } =
&
&
}= { } { }
so no-correlacionadas e portanto
{ ,
se { } { } 6= .
{ })}
} { } { }
&
{( { }) (
Se
( , , )
"
(41)
(40)
), ento
43
(44)
(43)
42
(42)
( ,
} 6=
} =
{ }.
= ( , ,
{ ,
Coeficiente de correlao:
{ , }=
Intuitivamente, se
com
{ } =
Covarincia: se
&
<
<
>
e
<
>
tais que
<
>
<
<
>
( )
( )
=
=
e
<
<
<
>
>
<
{ }+
<
>
<
<
>
}= .
<
<
<
<
>
44
45
I. Se e
so no-correlacionados, ento = { } e = { } so
ortogonais;
II. Se e
so no-correlacionados e { } ou (e) { } (so) nulo (s), ento
e
so ortogonais.
} ( { } + { })
{ }
{ } { }
} = { } { }.
{ } =
<
Se
com ( , ). Mostre que estas v.a.s so no-correlacionadas, mas nem por isso so
independentes. Portanto
{ , } = no implica que no exista uma relao (linear
ou no) entre e .
Considere as v.a.s
,
L
=[
T
{ ,
{ }
}=
{ }
{ ,
{ ,
}
}
47
{ }
46
de distribuio conjunta,
{ }
( )
{ }
{ , }
{ }
..
...
{ , }
{ }
{ }
{ }) }
( )
( , ,..., ) =
] um vetor e
,...,
{ }
{ , }
..
{ , }
X
{( { }) (
{ }
{ }
..
{ }
{ }=
Portanto,
Matriz de covarincias de
Observa-se que
em que
,...,
=
.. =
( )
`
/
a
/
a
| sendo o determinande de
( )=
b
( { })
..
( )
{ }e
( )=
| = =
..
...
{ }
{ ,
} = , 6= ,
( { })
( { })
{ }
48
resulta em
{ } =
{ }+
49
(47)
(46)
( )=
Notao: ( { }, )
Se os elementos de forem no-correlacionados, ou seja,
ento pode-se mostrar que
com |
{ },
= ( { })
( { })
, uma vez que
{ } =
(50)
simtrica e
sua matriz raiz-quadrada (tambm simtrica).
51
(51)
positiva semidefinida, e
Pode-se verificar que
tal que
( { })
50
(49)
(48)
Para determinar a matriz tal que eq.(49) seja resolvida, usa-se a fatorao de
Cholesky. Pela fatorao de Cholesky, obtm-se a matriz triangular superior tal
que
=
. Portanto, tem-se = .
A varivel aleatria
= ( { })
( )
( ) =
( ) =
( ) =
,
,
com
com
com
52
53
p
para o qual { } = { } { } e = + . Pode-se observar que
a distncia euclidiana entre e . No entanto, esta mtrica de distncia no considera
as incertezas devido s distribuies.
Para todo
Soluo:
= = ( ) = ,
= = ( ) = ,
= = ( ) = ,
( { })
A funo
= ( { })
, determinar a medida
( { })
= ( ) (
) ( )
( ).
com
= :
simtrica,
satisfaz a
{ }
= . Como
{ }
}=
=
sendo os autovalores de
=
{ } =
em que
{ , }=
{ ,
ela pode ser decomposta em
O par {
Para todo
55
54
{ }
{ }
56
{ }
{ }
+
= ( { })/ ,
= ( { })/
=[ , ] e
( )=
=[ , ]
com
57
(52)
Representao grfica.
No plano , uma forma de representar grficamente a distribuio bivariada
por meio da curva de nvel correspondentes a uma densidade constante, ou seja,
( ) =const. Isto implica em
em que
Fazendo
como
com
( )
( )
( ) +
( ) +
( )
( ) +
( )
(maior)
( )
(menor) e
( )
( )
58
(55)
(54)
(53)
= .
No caso especial de
= , tem-se a chamada elipse 3-sigma, que incorpora
= ,
da distribuio de .
59
(56)
Assim, no plano
Eixos principais :
= , ento
60
{ | }=
= { },
( | ) =
( , )
={ <
( )
{ | <
( , )
( )
61
(57)
de distribuio contnua,
< + },
< + }
{ }
{ }
Considerando
( , )=
( | ) ,
( ) =
(| ) =
( | )
Propriedades:
Como { | } e
{ | },
( | )=
( , )
( | )
( , )
, ( , )
( , )
( )
( | )
( )
( | )
( | ) ( )
( )
( | ) so funes da v.a.
Expectncia condicional:
( | )
( , )
( )
No caso discreto:
FDP condicional
63
( | )} (64)
(63)
(62)
(61)
62
(60)
(59)
(58)
( )
( )
( | )
( | )
( | )
( )
= ( )
(65)
64
(67)
= ( ) (66)
{ { | }}
( )
( | )
= {( { }) ( { }) | }
Determine
( , )=(
Considere
(
+ )
.
, ( , )=
dado
= e (iii) a
+ ) de forma a obter ( , ) = ( , ) + ( ).
Considere
65
=
{ ( )| } =
{ } =
a partir de
}=
6
)( )
)( )
66
(70)
(69)
(68)
+ ,,
, ,
, , ,
<
.
o nmero de
67
Covarincia amostral:
Mdia amostral:
Estatstica amostral
(
)=
!
&
(
"
) atravs de
{{
'
,
/
=[
[[
"
,
#
&
<
.
}, {
=[
,
,
(
Caso multi-varivel: extenso para
68
,
!
) atravs de
69
)=
e , respectivamente.
] )
<
Denomina-se
para os quais e
"
<
em que
inversa).
?
<
{ }=
7
( )=
=
(
que o mesmo resultado obtido pela eq. (22).
>
(
E
)
C
( )
( )
| |
= . Se
, >
, <
, =
71
70
( ) (funo
( )=
>
<
( )
, >
( )=
( ) , <
( )
, =
Considere =
+ com , constantes, e
funo monotnica, pode-se verificar que
>
={
( ) =
( ) =
em que
, ,
Caso escalar:
= {
0(
em
72
73
(72)
(71)
somente
( )= .
( )
( )
++ 0
|
| ( )|
)|
( )
= ( )
( ) =
Q
( ) ,
, caso contrrio.
( ) + ( ) ,
, caso contrrio.
S
} =
( )
Portanto,
Considere =
com e v.a.s unidimensionais. Pode-se verificar que
existe para . Neste caso,
em que as funes
com
( )= /
, dada por
( ))
( )|
( )
e
b
(73)
so de
74
(75)
()
( )
.
..
(74)
= .
( )
( )
( ) so obtidas de ( )
( )
( ) = .. .
( )
( ) =
( ( )) ( )
75
= ( ,)
( ,)
( , ,)
( , ) = ( )
[3] DUDA, R. O.; HART, P. E.; STORK, D. G. Pattern Classification. 2nd. ed. [S.l.]:
Wiley Interscience, 2000.
Referncias
com
Mnimos quadrados
Estimao linear:
77
76
Estimao de parmetros