Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTRODUÇÃO AOS MODELOS PROBABILÍSTICOS PROFESSOR: FELIPE FERNANDES Relação entre Esperança e Probabilidade Considere um evento aleatório A Defina a v.a. indicadora do evento A, tal que: 𝐼𝐴 𝜔 = ቊ 1 𝑠𝑒 𝜔 𝜖 𝐴 0 𝑐. 𝑐. Note que a função indicadora é um v.a. discreta com valores 0 e 1 e função de massa p descrita por: 𝑝 1 = 𝑃(𝐴) e 𝑝 0 = 𝑃 𝐴𝑐 = 1 − 𝑃(𝐴) Proposição (Esperança de Função Indicadora) Para qualquer evento A, tem-se: 𝐸 𝐼𝐴 = 𝑃(𝐴) Variáveis Aleatórias Aula passada... Independente de um experimento gerar resultados qualitativos ou quantitativos, geralmente estamos interessados em aspectos numéricos dos resultados. Uma variável aleatória é uma função que associa números reais com os resultados de experimentos aleatórios. Denota-se por uma letra maiúscula: X, Y, Z. 𝑋:Ω → ℝ Variável Aleatória Contínua Se a escala de medida de uma variável aleatória puder ser subdividida tanto quanto desejar, a variável será contínua. Neste tipo de variável é impossível enumerar todos os valores possíveis, assim não conseguimos montar uma tabela com X e 𝑃[𝑋 = 𝑥]. Figura : Exemplo de histograma para uma variável contínua, sendo medida cada vez com mais precisão. Variável Aleatória Contínua Definição: Uma v.a. 𝑋 é dita contínua se sua função de distribuição acumulada F for uma função contínua. Equivalentemente, 𝑋 é contínua se e somente se: 𝑝 𝑥 = 𝑃 𝑋 = 𝑥 = 0, para todo 𝑥 ∈ ℝ Como não temos probabilidades pontuais, o cálculo das probabilidades é diferente do caso das v.a.’s discretas Não temos a função de massa de probabilidade, já que 𝑃(𝑋 = 𝑥) = 0, para todo 𝑥. Para uma variável aleatória contínua temos uma função de densidade de probabilidade (fdp). Que é uma curva, em função de x, cuja área abaixo corresponde as probabilidades. Definição: A função 𝑓(𝑥) é a função de densidade de probabilidade para a variável aleatória contínua X, definida no conjunto dos reais se: 1) 𝑓 𝑥 ≥ 0; 2) ∞− +∞ 𝑓 𝑥 𝑑𝑥 = 1 3) 𝑃 𝑎 < 𝑥 < 𝑏 = 𝑎 𝑏 𝑓 𝑥 𝑑𝑥 Figura: Em variáveis aleatórias contínuas a probabilidade de a variável X pertencer a um intervalo (a,b) é a área abaixo da curva neste intervalo. OBS: Os itens 1 e 2 constituem condição necessária e suficiente para que f(x) seja uma função de densidade de probabilidade. Exemplo 01: Seja 𝑋 a variável aleatória que representa o erro na temperatura de reação (em °C), para um experimento realizado no laboratório. A fdp de 𝑋 é dada por: a) Verifique se f(x) é uma fdp. Como 𝑥2 3 > 0 sempre, basta verificar agora que a integral de f(x) em todo o seu domínio é igual a 1. , න −∞ +∞ 𝑓 𝑥 𝑑𝑥 = න −1 2 𝑥2 3 𝑑𝑥 = 𝑥3 9 ቤ 2 −1 = 8 9 + 1 9 = 1 Logo como os itens 1 e 2 da definição são atendidos, então f(x) é uma fdp. Um problema muito comum consiste em encontrar o valor de 𝜆 para que f(x) seja uma fdp, no caso do exemplo λ = 1 3 . 𝑓 𝑥 = ൞ 𝑥2 3 , −1 < 𝑥 < 2; 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 b) Calcule P[0 < X < 1] 𝑃[0 < 𝑋 < 1] = න 0 1 𝑥2 3 𝑑𝑥 = 𝑥3 9 ቤ 1 0 = 1 9 Exemplo 02: O tempo em horas que um computador funciona antes de quebrar é uma v.a. contínua com f.d.p. dada por: 𝑓 𝑥 = ቊ𝜆𝑒 − Τ𝑥 100, 𝑠𝑒 𝑥 ≥ 0 0, 𝑠𝑒 𝑥 < 0 Qual deve ser o valor de λ tal que f(x) seja uma densidade? Discreta vs Contínua Discreta: quantidade de filhos, número de coroas até a 1ª cara; Contínua: peso de uma pessoa, duração de uma chamada. Função de Distribuição Acumulada A função de distribuição acumulada 𝐹(𝑥) de uma variável aleatória contínua 𝑋, com fdp f(x), é dada por: 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න −∞ 𝑥 𝑓 𝑡 𝑑𝑡 , −∞ < 𝑥 < +∞ Nesse caso, a probabilidade de 𝑋 pertencer a um intervalo pode ser reescrita como: 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝑃(𝑋 ≤ 𝑏) − 𝑃(𝑋 ≤ 𝑎) = 𝐹(𝑏) − 𝐹(𝑎) Função de Distribuição Acumulada No exemplo do computador, qual a probabilidade de que funcionará menos que 100 horas? 𝑃 𝑋 < 100 = ? 𝑃 𝑋 < 100 = න −∞ 100 1 100 𝑒 Τ−𝑥 100𝑑𝑥 = 1 − 𝑒−1 ≈ 0,633 A probabilidade de que o computador funcionará menos que 100 horas é de aproximadamente 63,3% Relação entre 𝐹(𝑥) e 𝑓(𝑥) Vimos no slide anterior que a 𝐹(𝑥) é expressa em termos de 𝑓(𝑥) pela relação: 𝐹 𝑎 = න −∞ 𝑎 𝑓 𝑥 𝑑𝑥 Se diferenciarmos a equação acima de ambos os lados: 𝐹′ 𝑎 = 𝑓(𝑎) Portanto, a densidade de 𝑋 é a derivada da função de distribuição acumulada. Exemplo: Exemplo (Triangular): Seja 𝑋 uma v.a. com f.d.p. 𝑓 𝑥 = ቐ 𝑥, 𝑠𝑒 0 ≤ 𝑥 < 1 2 − 𝑥, 𝑠𝑒 1 ≤ 𝑥 < 2 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Verifique que 𝑓(𝑥) satisfaz as condições para ser uma f.d.p. e encontre a probabilidade de 𝑃(0 ≤ 𝑋 ≤ 0,8). Pela definição de 𝑓(𝑥), 𝑓(𝑥) ≥ 0 para todo 𝑥 e න 0 2 𝑓 𝑥 𝑑𝑥 = න 0 1 𝑥𝑑𝑥 + න 1 2 2 − 𝑥 𝑑𝑥 =1 𝑃 0 ≤ 𝑋 ≤ 0,8 = න 0 0,8 𝑥𝑑𝑥 = 0,32 Valor Esperado de uma v.a. contínua Valor esperado: Seja 𝑋 uma v.a. contínua com densidade 𝑓. O valor esperado de 𝑋 é dado por: 𝐸 𝑋 = න −∞ +∞ 𝑥𝑓 𝑥 𝑑𝑥 O k-ésimo momento é definido como: 𝐸 𝑋𝑘 = න −∞ +∞ 𝑥𝑘𝑓 𝑥 𝑑𝑥 A variância é dada por: 𝜎2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝐸 𝑋 2 = 𝐸 𝑋2 − 𝐸 𝑋 2 Desvio padrão: 𝜎 = 𝑉𝑎𝑟(𝑋) Valor Esperado de uma função de uma v.a. contínua Seja 𝑔(𝑋) uma função da v.a. 𝑋 é v.a. contínua. Então, 𝐸 𝑔(𝑥) = න −∞ +∞ 𝑔(𝑥)𝑓 𝑥 𝑑𝑥 Assim, 𝐸 𝑋2 = න −∞ +∞ 𝑥2𝑓 𝑥 𝑑𝑥 Esperança e Variância Exemplo (Triangular): Seja 𝑋 uma v.a. com f.d.p. 𝑓 𝑥 = ቐ 𝑥, 𝑠𝑒 0 ≤ 𝑥 < 1 2 − 𝑥, 𝑠𝑒 1 ≤ 𝑥 < 2 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 Calcule a esperança e variância de 𝑋: A esperança é dada por: 𝐸 𝑋 = න −∞ +∞ 𝑥𝑓 𝑥 𝑑𝑥 = න 0 1 𝑥2𝑑𝑥 +න 1 2 𝑥(2 − 𝑥)𝑑𝑥 = 1 E a variância: 𝑉𝑎𝑟 𝑋 = න −∞ +∞ 𝑋 − 𝐸 𝑋 2 𝑓 𝑥 𝑑𝑥 = න −∞ +∞ (𝑥 − 1)2 𝑓 𝑥 𝑑𝑥 = 1 6 Principais Modelos Probabilísticos Discretos • Uniforme Discreta • Bernoulli • Binomial • Geométrica • Poisson • Hipergeométrica • Binomial Negativa Contínuos • Uniforme • Normal • Exponencial • Qui-Quadrado • t • F • Gama • Beta Slide 1: Introdução aos modelos Probabilísticos professor: Felipe Fernandes Slide 2: Relação entre Esperança e Probabilidade Slide 3: Variáveis Aleatórias Slide 4: Variável Aleatória Contínua Slide 5: Variável Aleatória Contínua Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16 Slide 17
Compartilhar