Baixe o app para aproveitar ainda mais
Prévia do material em texto
Probabilidade Probabilidade Modelos Probabil´ısticos para a Computac¸a˜o Professora: Andre´a Rocha UNIVERSIDADE FEDERAL DA PARA´IBA Agosto, 2011 Probabilidade Varia´veis Aleato´rias Varia´veis Aleato´rias Definic¸a˜o: Seja E um experimento e Ω um espac¸o amostral associado a E. Uma func¸a˜o X, que associe a cada elemento ω ∈ Ω um nu´mero real, X(ω), e´ denominada varia´vel aleato´ria. Definic¸a˜o: O conjunto dos valores que X pode assumir e´ chamando imagem de X, e sera´ denotado por RX. Probabilidade Varia´veis Aleato´rias Varia´veis Aleato´rias Exemplo: Suponha que dus moedas sejam lanc¸adas e observamos a sequeˆncia de caras e coroas obtidas. Considere o espac¸o amostral associado a esse experimento. Isto e´, Ω = {(c, c), (c,k), (k, c), (k,k)}. Define-se a varia´vel aleato´ria, X : nu´mero de caras obitidas nas duas moedas. Enta˜o: X(c, c) = 2, X(c,k) = X(k, c) = 1, X(k,k) = 0. Neste caso, RX = {0, 1, 2}. Probabilidade Varia´veis Aleato´rias Definic¸a˜o: Seja E um experimento e Ω o seu espac¸o amostral. Seja uma varia´vel aleato´ria definida em Ω e RX sua imagem. Seja B um evento em relac¸a˜o a RX, isto e´, B ⊂ RX. Enta˜o, define-se a imagem inversa de B sob X como: X−1(B) = {ω ∈ Ω : X(ω) ∈ B}. Assim, X−1(B) sera´ constitu´ıdo por todos os resultados em Ω, para os quais X(ω) ∈ B. Definic¸a˜o: Seja B um evento na imagem RX. Define-se P(B) da seguinte forma, P(B) = P(A), onde A = X−1(B). Em outras palavras, como B e´ equivalente a A em Ω, com probabilidade de B e´ igual a probabilidade de A em Ω. Probabilidade Varia´veis Aleato´rias Exemplo: Considere as duas moedas do exemplo anterior como na˜o viciadas. Calcule: P(X = 0), P(X = 1), P(X = 2), P(X 6 2) e P(X < 0). P(X = 0) = P(k,k) = 1 4 , P(X = 2) = P(c, c) = 1 4 , P(X = 1) = P((c,k) ∪ (k, c)) = 1 4 + 1 4 = 1 2 , P(X 6 2) = P(Ω) = 1, P(X < 0) = P(∅) = 0. Probabilidade Varia´veis Aleato´rias Varia´vel Aleato´ria Discreta Definic¸a˜o: Seja X uma varia´vel aleato´ria. Se o nu´mero de valores poss´ıveis de X, isto e´, RX, for finito ou infinito enumera´vel, enta˜o, X e´ uma varia´vel aleato´ria discreta. Definic¸a˜o: Chama-se func¸a˜o de probabilidade (f.d.) da varia´vel aleato´ria discreta X, que assume valores x1, x2, . . ., a func¸a˜o p(xi), que a cada valor de xi associa sua probabilidade de ocorreˆncia, isto e´: p(xi) = P(X = xi) = pi, e deve satisfazer as seguintes condic¸o˜es: i)p(xi) > 0,∀i; ii) ∑∞ i=1 p(xi) = 1. Probabilidade Varia´veis Aleato´rias Varia´vel Aleato´ria Cont´ınua Definic¸a˜o: Dizemos que X e´ uma varia´vel aleato´ria cont´ınua, se existir uma func¸a˜o f(·), denominada func¸a˜o de densidade de probabilidade de X (f.d.p.), que satisfac¸a as seguintes condic¸o˜es: i)f(x) > 0,∀x, ii) ∫∞ −∞ f(x)dx = 1, iii) Para quaisquer a e b, com −∞ < a < b <∞, teremos P(a 6 X 6 b) = ∫b a f(x)dx. Probabilidade Varia´veis Aleato´rias Varia´vel Aleato´ria Cont´ınua Obs.1: P(X = 0) = 0, isto e´, para uma varia´vel aleato´ria cont´ınua, a probabilidade de X = x0 e´ sempre igual a zero. Somente tem sentido calcular probabilidades em intervalos, pois: P(X = x0) = ∫x0 x0 f(x)dx Obs.2: P(a 6 X 6 b) = P(a < X 6 b) = P(a 6 X < b) = P(a < X < b). Probabilidade Varia´veis Aleato´rias Func¸a˜o de Distribuic¸a˜o Acumulada Definic¸a˜o: Seja X uma varia´vel aleato´ria discreta ou cont´ınua. Define-se a func¸a˜o F(·) como a func¸a˜o de distribuic¸a˜o acumulada da varia´vel aleato´ria X como F(x) = P(X 6 x). i) Se X for uma varia´vel aleato´ria discreta, F(x) = ∑ j p(xj), onde o somato´rio e´ estendidoa todos os ı´ndices j, tais que xj 6 x. ii) Se X for uma varia´vel aleato´ria cont´ınua com f.d.p. f(·), F(x) = ∫x −∞ f(t)dt. Probabilidade Varia´veis Aleato´rias Func¸a˜o de Distribuic¸a˜o Acumulada Exemplo: Suponha que a varia´vel aleato´ria X tome treˆs valores 0, 1 e 2, com probabilidades 1/3, 16 e Probabilidade Esperanc¸a Esperanc¸a de uma Varia´vel Aleato´ria Definic¸a˜o: Seja X uma varia´vel aleato´ria discreta, com valores poss´ıveis x1, x2, . . . Seja p(xi) = P(X = xi), i = 1, 2, . . . Enta˜o o valor esperado, esperanc¸a matema´tica ou simplesmente esperanc¸a de X, denotado por E(X) e´ definido como E(X) = ∞∑ i=1 xip(xi), se a se´rie ∑∞ i=1 xip(xi) convergir absolutamente, isto e´, se ∞∑ i=1 |xi|p(xi) <∞. Probabilidade Esperanc¸a Se X tomar apenas um nu´mero finito, n, de valores, a esperanc¸a de X sera´ dada por E(X) = n∑ i=1 xip(xi), Isto pode ser considerado como uma me´dia ponderada dos valores poss´ıveis x1, . . . , xn. Se todos esses valores poss´ıveis forem igualmente prova´veis, E(X) = n∑ i=1 xi n . que representa a me´dia aritme´tica simples ou usual dos n valores poss´ıveis. Probabilidade Esperanc¸a Exemplo: Seja X uma varia´vel aleato´ria com distribuic¸a˜o Bernoulli, isto e´, X assume os valores 0 ou 1, com probabilidades (1− p) e p, respectivamente. Neste caso, temos que a esperanc¸a de X e´ dada por E(X) = 0 · (1 − p) + 1 · p = p. Probabilidade Esperanc¸a Definic¸a˜o: Seja X uma varia´vel aleato´ria cont´ınua com f.d.p. A esperanc¸a de X e´ definida como E(X) = ∫∞ −∞ xf(x)dx. Esta integral impro´pria pode na˜o convergir. Consequentemente, diremos que E(X) existira´ se, e somente se,∫∞ −∞ |x|f(x)dx <∞. Probabilidade Esperanc¸a Propriedades da Esperanc¸a P1. Se X = c, onde c e´ uma constante. Enta˜o E(X) = c. P2. Seja X uma varia´vel aleato´ria e c uma constante. Enta˜o, E(cX) = cE(X). P3. Sejam X e Y duas varia´veis aleato´rias quaisquer. Enta˜o, E(X+ Y) = E(X) + E(Y). P4. Sejam X1, . . . ,Xn, n varia´veis aleato´rias quaisquer e c1, . . . , cn constantes. Enta˜o, E(c1X1 + · · ·+ cnXn) = c1E(X1) + · · ·+ cnE(Xn). P5. Sejam X e Y duas varia´veis aleato´rias independentes. Enta˜o, E(XY) = E(X)E(Y). Probabilidade Variaˆncia Variaˆncia de uma Varia´vel Aleato´ria Definic¸a˜o: Seja X uma varia´vel aleato´ria definimos a variaˆncia de X, denotada por Var(X) ou V(X), da seguinte maneira: V(X) = E[(X− E(X))2]. Obs.1: A raiz quadrada positiva de V(X) e´ denominada desvio padra˜o de X e e´ denotado por σX = √ V(X). Obs.2: O ca´lculo de V(X) pode ser simplificado com o aux´ılio do seguinte resultado: V(X) = E(X2) − [E(X)]2. Probabilidade Variaˆncia Exemplo: Seja X uma varia´vel aleato´ria com distribuic¸a˜o Bernoulli, isto e´, X assume os valores 0 ou 1, com probabilidades (1− p) e p, respectivamente. Neste caso, para o ca´lculo da variaˆncia de X temos E(X) = 0 · (1 − p) + 1 · p = p e E(X) = 02 · (1 − p) + 12 · p = p. Assim, V(X) = E(X2) − [E(X)]2 = p− p2 = p(1 − p). Probabilidade Variaˆncia Propriedades da Variaˆncia P1. Seja X uma varia´vel aleato´ria e c uma constante. Enta˜o, V(X+ c) = V(X). P2. Seja X uma varia´vel aleato´ria e c uma constante. Enta˜o, V(cX) = c2V(X). P3. Sejam X e Y duas varia´veis aleato´rias independentes. Enta˜o, V(X+ Y) = V(X) + V(Y). P4. Sejam X1, . . . ,Xn, n varia´veis aleato´rias independentes e c1, . . . , cn constantes. Enta˜o, V(c1X1 + · · ·+ cnXn) = c21V(X1) + · · ·+ c2nV(Xn). P5. Seja X uma varia´vel aleato´ria e a e b constantes. Enta˜o, V(aX+ b) = a2V(X). Probabilidade Variaˆncia FIM Variáveis Aleatórias Esperança Variância
Compartilhar