Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
\
|
= =
|
|
.
|
\
|
k
n
Geomtrica
Sequncia de experimentos de Bernoulli,
independentes e com mesma probabilidade p
de sucesso
X = lanamento em que ocorre o primeiro
sucesso.
Geomtrica
Sequncia de experimentos de Bernoulli,
independentes e com mesma probabilidade p
de sucesso
X = lanamento em que ocorre o primeiro
sucesso.
X = k k1 fracassos seguido de um
sucesso
Notao: X ~ G(p)
,... 3 , 2 , 1 , ) 1 ( ) (
1
= = =
k p p k X P
k
Hipergeomtrica
Urna com N bolas, sendo B brancas, de onde
so extradas n bolas, sem reposio.
X = nmero de bolas brancas extradas
Notao: X ~ HG(N, B, n)
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
b n
B N
b
B
b X P ) (
Exemplo
Amostra de tamanho n extrada de uma
populao com N indivduos, dos quais b
so favorveis a um candidato.
Qual a distribuio do nmero de
pessoas favorveis ao candidato na
amostra?
Exemplo
Amostra de tamanho n extrada de uma
populao com N indivduos, dos quais B
so favorveis a um candidato.
Qual a distribuio do nmero de
pessoas favorveis ao candidato na
amostra?
Resposta: HG(N, B, n)
Exemplo
Amostra de tamanho n extrada de uma
populao com N indivduos, dos quais b
so favorveis a um candidato.
Qual a distribuio do nmero de
pessoas favorveis ao candidato na
amostra?
Resposta: HG(N, B, n)
Mas, se n << N, aproximadamente
B(n, B/N)
Distribuio de Poisson
Em mdia, um site de internet tem = 0,5
acessos por segundo. Qual o modelo
apropriado para a distribuio do nmero
de acessos efetuados em um segundo?
Distribuio de Poisson
Discretizar 1 segundo em n intervalos de
durao 1/n
Como o nmero de usurios grande,
razovel considerar a existncia de acessos
neste intervalos como eventos independentes,
cada um com probabilidade p.
Para que o nmero mdio de acessos por
minuto seja igual a , deve-se ter np = .
Distribuio de Poisson
,... 2 , 1 , 0 ,
!
1 1
) 1 )...( 1 (
lim
!
1
)! ( !
!
lim ) (
) , ( ~ onde ), ( lim ) (
=
=
|
.
|
\
|
|
.
|
\
|
+
=
=
|
.
|
\
|
|
.
|
\
|
= =
= = = =
k e
k
n n
n
k n n n
k
n n k n k
n
k X P
n
p n B Y k Y P k X P
k
k n
k
n
k
k n k
n
n
Distribuio de Poisson
Caso limite da distribuio binomial,
quando n e np se mantm constante
Acessos a sites
Chegadas de consumidores a um banco
Nmero de erros tipogrficos em um texto
Nmero de partculas radioativas emitidas
Exemplo
No caso da pgina de internet, qual a
probabilidade de que haja pelo menos um
acesso em um dado segundo?
Exemplo
No caso da pgina de internet, qual a
probabilidade de que haja pelo menos um
acesso em um dado segundo?
P(X>0) = 1 P(X=0) = 1 e
-0.5
= 0,395
Exemplo
Qual a distribuio do nmero de
acessos em um minuto?
Exemplo
Qual a distribuio do nmero de
acessos em um minuto?
Poisson (30)
Em geral, o nmero de acessos em um
intervalo de durao t tem distribuio
Poisson (t)
Esperana
Idia: a esperana (ou valor esperado) de
uma v.a. o valor mdio que se espera
obter ao se repetir um experimento
aleatrio um grande nmero de vezes.
Esperana
Exemplo: Quem acerta um dos 25 grupos no
jogo do bicho ganha 18 vezes o valor apostado.
Qual o ganho esperado para quem aposta R$
1,00?
Esperana
Exemplo: Quem acerta um dos 25 grupos no
jogo do bicho ganha 18 vezes o valor apostado.
Qual o ganho esperado para quem aposta R$
1,00?
Ganha-se 17 com probabilidade 1/25
-1 com probabilidade 24/25
Aps um grande nmero n de apostas, o ganho mdio
, aproximadamente:
28 , 0 $
25
7
25
24
). 1 (
25
1
. 17
R
n
n n
= =
+
Esperana
O valor esperado de uma v.a. discreta X
:
EX = E
i
x
i
.
P(X=x
i
)
(ou seja, a mdia dos valores assumidos
por X, ponderados por sua probabilidade)
EX pode ser um nmero real, +, , ou
no estar definida.
Esperana
) ( ) (
0 0
i
x
i i
x
i
x X P x x X P x EX
i i
= +
= =
< >
finito finito EX e R
finito EX =
finito + EX = +
+ EX no definido
Paradoxo de S. Petersburgo
Jogo em que chance de vitria 1/3, mas
cuja aposta 1:1.
Estratgia: jogar at vencer, sempre
dobrando o valor da aposta.
Variveis aleatrias de interesse:
X = ganho quando se aposta 1.
N = nmero de apostas at a sada.
Y = ganho na sada.
Paradoxo de S. Petersburgo
X = 1, com prob. 2/3
1, com prob. 1/3
EX = 1/3.
N finito com prob. 1
Y = 1
3 .... 3 .
3
1
.
3
2
2 .
3
1
.
3
2
1 .
3
1
2
= +
|
.
|
\
|
+ + = EN
Paradoxo de S. Petersburgo
Mas seja C o capital usado at a vitria
+ =
+
|
.
|
\
|
+ +
|
.
|
\
|
+ + =
... ) 1 2 .(
3
1
.
3
2
.... 7 .
3
1
.
3
2
3 .
3
1
.
3
2
1 .
3
1
1 2
n
n
EC
Propriedades
E(aX + b) = aEX + b
Mas, em geral, E(g(X)) = g(E(X))
Exemplo: Y = X
2
EX = (1).0,2.(1)+0.0,4+1.0,4 = 0,2
EY = 0.0,4+1.0,6 = 0,6
Note que
EY = 0
2
.P(X=0)
+ 1
2
.P(X=1)
+ (1)
2
.P(X=1)
X p
1 0,2
0 0,4
1 0,4
Y p
0 0,4
1 0,6
Propriedades
Para X discreta:
E(g(X)) = E
i
g(x
i
) P(X=x
i
)
(Law of the unconscious statistician)
Propriedades
E(X+Y) = EX + EY (sempre!)
E(XY) = EX EY, se X e Y so
independentes
Exemplo
Urna com 10 bolas, das quais 4 so brancas. Cinco
bolas so retiradas. Qual o nmero esperado de
bolas brancas retiradas:
a) com reposio?
b) sem reposio?
Varincia
Var(X) = E(XEX)
2
= E(X
2
) (EX)
2
Propriedades
Var(aX+b) = a
2
Var(X)
Var(X+Y) = Var(X) + Var(Y) + 2Cov(X,Y)
Propriedades
Se X
1
, X
2
, , X
n
so independentes,
ento
Var(X
1
+ X
2
++ X
n
) =
Var(X
1
) + Var(X
2
) + + Var(X
n
)
Exemplo
X ~ binomial(p)
Variveis Aleatrias Contnuas
F(x) = }
-
x
f(t) dt
f > 0 a densidade de X
P(a < X < b) = }
a
b
f(t) dt
}
-
+
f(t) dt = 1
f(x) = F (x)
P(xc
/
2
< X < x+c
/
2
) ~ c f(x)
x
c
Exemplo
Seja X a abscissa de um ponto escolhido
ao acaso no tringulo da figura. Qual a
densidade de X?
1
1
Soluo
1
1
x
) 1 0 ( 2 ) ( ) (
2 / 1 . 1
2 / .
) ( ) (
2
2
< < = = =
= = s =
x x x
dx
d
x F
dx
d
x f
x
x x
x X P x F
Outra soluo
1
1
x
) 1 0 ( 2 ) (
2 1
2 2
) (
1
0
1
0
2
< < =
= = =
(
(
(
=
=
}
x x x f
k
k kx
kx
kx x f
Esperana
discreta:
contnua:
mista:
}
+
+ = =
i
X i i
dx x f x x X P x EX ) ( ) (
}
+
= dx x f x EX
X
) (
= =
i
i i
x X P x EX ) (
Principais Distribuies Contnuas
Uniforme
Exponencial
Gama
Normal (e associadas: _
2
, t, F)
Distribuio Uniforme
a
b
1/(b-a)
a
b
1
f
X
F
X
Distribuio Exponencial
De volta ao exemplo do site na Internet.
Qual a distribuio do tempo de espera
X at a ocorrncia do primeiro acesso?
X > t se e s se o nmero de acessos em
[0, t] igual a 0
Logo, P(X>t) = P(N = 0), onde
N~Poisson(t)
Portanto, P(X>t) = e
-t
Distribuio Exponencial
X tem distribuio exponencial com
parmetro quando
F
X
(x) = 1e
x
, para x >0
Ou seja,
f
X
(x) = e
x
, para x > 0
Exemplo
O tempo de vida, em meses, de um
componente tem distribuio
exponencial de parmetro = 0,5.
a) Qual a probabilidade de que um
componente novo dure pelo menos 2
meses?
b) Dado que um componente usado j tem 1
ms de vida, qual a probabilidade de que
ele dure pelo menos mais dois meses?
Processo de Poisson
Tempo entre chegadas consecutivas
independentes, com distribuio
exponencial ()
Nmero de chegadas em intervalos
disjuntos independentes e com
distribuio Poisson (t), onde t o
comprimento do intervalo
Exemplo
Os acidentes em uma rodovia ocorrem de
acordo com um Processo de Poisson de taxa 2
acidentes por dia
Nmero mdio de acidentes por semana?
Nmero mdio de dias sem acidentes por semana?
Intervalo mdio entre acidentes?
Probabilidade de que haja 2 acidentes na 2
a
e 1 na
3
a
?
Probabilidade de que o primeiro acidente em um
certo dia s ocorra depois das 12 horas?
Distribuio Normal
A distribuio normal padro a distribuio da
varivel aleatria Z de densidade
Notao: Z ~ N(0, 1)
EZ = 0, Var Z = 1
2
2
2
1
) (
z
Z
e z f
=
t
Distribuio Normal
Uma varivel X tem distribuio normal
com parmetros (mdia) e o
2
(varincia)
quando da forma X = oZ + , onde
Z~N(0,1)
Notao: X~N(, o
2
)
Distribuio Normal
Qual a densidade da distribuio
X~N(, o
2
)?
De modo geral, qual a densidade de
g(X), onde g uma funo inversvel e X
uma v. a. de densidade f?
Transformando uma v. a.
A densidade de Y = g(X) dada por
onde x tal que g( x) = y.
| ) ( ' |
) (
) (
x g
x f
y f
X
Y
=
Transformando uma v.a.
Caso particular: Se X tem densidade f,
ento
Y = aX + b (a>0) tem densidade
X
Y
Y = 2X X= Y/2
|
.
|
\
|
a
b y
f
a
1
Densidade da distribuio
normal
A densidade da v.a. X com distribuio normal
N(, o
2
)
2
2
2
) (
2
1
) (
o
o t
=
x
X
e x f
Exemplo
As notas dos alunos em um teste tm
distribuio normal com mdia 70 e
desvio padro 10.
Se um aluno for escolhido ao acaso, qual
a probabilidade de que sua nota seja maior
que 85?
Qual a nota correspondente ao percentil
95%?
V. A. Multidimensionais
Exemplo: moeda honesta lanada 3 vezes
X = nmero de caras
Y = nmero de transies
Qual a probabilidade de que X = 2 e Y =1?
x 0 1 2 3
P(X=x) 1/8 3/8 3/8 1/8
y 0 1 2
P(Y=y) 1/4 2/4 1/4
V. A. Multidimensionais
No se pode responder (em geral) a partir
das distribuies individuais (marginais)
de X e Y.
Pode-se responder com base na
distribuio de (X, Y), tambm chamada
de distribuio conjunta de X e Y.
Distribuio Conjunta
e X Y
ccc 3 0
cck 2 1
ckc 2 2
kcc 2 1
ckk 1 1
kck 1 2
kkc 1 1
kkk 0 0
Distribuio Conjunta
e P X Y
ccc 1/8 3 0
cck 1/8 2 1
ckc 1/8 2 2
kcc 1/8 2 1
ckk 1/8 1 1
kck 1/8 1 2
kkc 1/8 1 1
kkk 1/8 0 0
X
Y
0 1 2 3
0
1
2
Distribuio Conjunta
e P X Y
ccc 1/8 3 0
cck 1/8 2 1
ckc 1/8 2 2
kcc 1/8 2 1
ckk 1/8 1 1
kck 1/8 1 2
kkc 1/8 1 1
kkk 1/8 0 0
X
Y
0 1 2 3
0 1/8 - - 1/8
1 - 2/8 2/8 -
2 - 1/8 1/8 -
P(X=2 e Y =1) = 2/8
Distribuio Conjunta
A distribuio conjunta de X = (X
1
, X
2
, ...,
X
n
) completamente caracteriza
probabilidades envolvendo X
1
, X
2
, ..., X
n
e
quaisquer subconjuntos delas
(distribuies marginais).
Distribuio Conjunta
X
Y
0 1 2 3 Y
0 1/8 - - 1/8
1 - 2/8 2/8 -
2 - 1/8 1/8 -
X
Distribuio Conjunta
X
Y
0 1 2 3 Y
0 1/8 - - 1/8 1/4
1 - 2/8 2/8 - 1/2
2 - 1/8 1/8 - 1/4
X 1/8 3/8 3/8 1/8
Funo de Distribuio Acumulada
A distribuio conjunta de X = (X
1
, X
2
, ...,
X
n
)
completamente caracterizada pela
sua funo de distribuio acumulada.
F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
) =
P(X
1
s x
1
, X
2
s x
2
, ..., X
n
s x
n
)
Exemplo
F
X
1
(x
1
) = ?
Funo de Distribuio Acumulada
A distribuio conjunta de X = (X
1
, X
2
, ...,
X
n
)
completamente caracterizada pela
sua funo de distribuio acumulada.
F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
) =
P(X
1
s x
1
, X
2
s x
2
, ..., X
n
s x
n
)
Exemplo
F
X
1
(x
1
) = lim
x
2
, ..., x
n
F
X
1
, X
2
, ... X
n
(x
1
, x
2
, ..., x
n
)
Tipos de distribuio conjunta
Discretas
Quando existe um conjunto enumervel
A = {x
1
, x
2
, ...} tal que P(X e A) = 1.
Neste caso, P(X e B) =
x
i
e B
P(X = x
i
)
Tipos de distribuio conjunta
Discretas
Quando existe um conjunto enumervel
A = {x
1
, x
2
, ...} tal que P(X e A) = 1.
Neste caso, P(X e B) =
x
i
e B
P(X = x
i
)
Contnuas
Quando existe uma funo de densidade f tal
que
Neste caso:
1 2 2 1 2 1 ,..., ,
... ) ,... , ( ... ) ,..., , (
1 2
2 1
dt dt dt t t t f x x x F
n n
x x x
n X X X
n
n
} } }
=
1 2 2 1
... ) ,... , ( ... ) ( dt dt dt t t t f B P
n n
B
} } }
= e X
Exemplo
Um ponto (X, Y) escolhido no
quadrado unitrio com densidade
proporcional a x+y.
Qual a funo de densidade?
Qual a probabilidade de que X seja menor
que 1/2?
Propriedades
Esperana de funes de v.a. multidimensionais
E(g(X)) = E
i
g(x
i
) P(X=x
i
) (discreta)
E(g(X)) = }
R
n
g(x) f
X
(x) dx (contnua)
Casos particulares:
EX = }
R
2
x f
X,Y
(x,y) dy dx
E(X+Y) = }
R
2
(x+y) f
X,Y
(x,y) dy dx =
= }
R
2
x f
X,Y
(x,y) dy dx + }
R
2
y f
X,Y
(x,y) dy dx = EX +EY
Propriedades
Em geral, E (XY) = EX EY
Mas E(XY) = EX EY se X e Y so
independentes.
EY EX dy y f y dx x f x
dx dy y f y x f x
dx dy y f x f xy
dx dy y x f xy XY E
Y X
Y X
Y X
Y X
=
} }
=
|
.
|
\
|
} }
=
} }
=
} }
=
+
+
+
+
+
+
) ( ) (
) ( ) (
) ( ) (
) , ( ) (
,
Observao
X, Y independentes E(XY) = EX EY
E(XY) = EX EY X, Y independentes
no correlacionadas
Covarincia e Correlao
Cov(X, Y) = E(XEX)(YEY) =
= E(XY) EX EY
(X, Y) = Cov(X,Y)/o(X)o(Y)
Teorema: 1 (X, Y) 1