Baixe o app para aproveitar ainda mais
Prévia do material em texto
Paraˆmetros de func¸o˜es de um par aleato´rio Dado o par aleatório (X,Y ), e g : IR2 → IR, define-se E[g(X,Y )] = ∑ i ∑ j g(xi, yj) pij , no caso discreto E[g(X,Y )] = ∫ ∫ R2 g(x, y) f(x, y) dxdy , no caso contínuo. (Exige-se a convergência absoluta da série dupla e do integral). Propriedades do valor me´dio (continuac¸a˜o) 4. Aditividade E[X ± Y ] = E[X]± E[Y ] 5. Desigualdade de Schwarz Se E[X2] e E[Y 2] existem então E2[XY ] ≤ E[X2]E[Y 2]. Manuela Neves - ISA - 05/06 – p. 62/76 Paraˆmetros de func¸o˜es de um par aleato´rio Corola´rio da propriedade anterior: E2[X] ≤ E[X2] Nota: se E[X2] existe =⇒ existe E[X]. 6. Se X e Y são variáveis aleatórias independentes E[XY ] = E[X]E[Y ] Nota: O recíproco não é verdadeiro: Verifique que se X e Y são v. a.’s com a seguinte distribuição de probabilidades X Y -1 0 1 0 0 1/3 0 1 1/3 0 1/3 tem-se E[XY ] = E[X ]E[Y ] mas X e Y não são independentes Manuela Neves - ISA - 05/06 – p. 63/76 Paraˆmetros de func¸o˜es de um par aleato´rio Uma propriedade da função geradora de momentos quando X e Y sa˜o varia´veis aleato´rias independentes MX+Y (t) =MX(t)×MY (t) Relembre que: a variância é um parâmetro que exprime a variabilidade de uma variável aleatória. Para um par aleatório tem-se: Definic¸a˜o: Dado o par aleatório (X,Y ) chama-se covariaˆncia deX e Y a Cov[X,Y ] = σXY = E[(X − µX)(Y − µY )] Exercı´cio: Verifique que Cov[X,Y ] = E[XY ]− E[X]E[Y ] Manuela Neves - ISA - 05/06 – p. 64/76 Propriedades da variaˆncia e da covariaˆncia 3. Sejam X e Y variáveis aleatórias. V ar[X ± Y ] = V ar[X] + V ar[Y ]± 2Cov[X,Y ] 4. Se X e Y são variáveis aleatórias independentes V ar (X ± Y ) = V ar[X] + V ar[Y ] Propriedades da covariaˆncia 1. Se X e Y são v. a.’s independentes =⇒ Cov[X,Y ] = 0. Nota: O recíproco não é verdadeiro. 2. Cov[aX + b, cY + d] = ac Cov[X,Y ]. 3. |Cov[X,Y ]| ≤ σX σY . Manuela Neves - ISA - 05/06 – p. 65/76 O coeficiente de correlac¸a˜o Definic¸a˜o: Chama-se coeficiente de correlac¸a˜o de X e Y e representa-se por ρ ou ρX,Y a ρ = ρX,Y = Cov[X,Y ] σX σY (σX > 0 e σY > 0). Propriedades do coeficiente de correlac¸a˜o 1. −1 ≤ ρX,Y ≤ 1 2. Se X e Y são v. a. independentes =⇒ ρX,Y = 0. 3. ρaX+b,cY+d = ρX,Y se ac > 0 Manuela Neves - ISA - 05/06 – p. 66/76 Exercı´cio Sejam X1, · · · ,Xn, v.a.’s independentes e todas com a mesma distribuição que X, portanto, E[X] = E[Xi] = µ e V ar[X] = V ar[Xi] = σ2 (∀i = 1, · · · , n) Soma das n variáveis é Sn = X1 +X2 + ...+Xn = n∑ i=1 Xi Me´dia das n variáveis é Xn = X1 +X2 + ...+Xn n = ∑n i=1Xi n a) Calcular o valor médio e a variância de Sn e de Xn. b) Mostre que seMX(t) é função geradora de momentos de X, a func¸a˜o geradora de momentos de Sn é MnX(t) e de Xn é MnX(t/n). Manuela Neves - ISA - 05/06 – p. 67/76 Principais distribuic¸o˜es discretas A distribuic¸a˜o uniforme discreta Definic¸a˜o Uma v.a. X tem distribuição uniforme discreta se toma os valores x1, ..., xk com probabilidades 1/k, ..., 1/k, i.e. P (X = xi) = 1/k, i = 1, ..., k. Paraˆmetros e func¸a˜o geradora de momentos E[X ] = 1 k ∑ k i=1 xi; V ar[X ] = 1 k ∑ n i (xi − µ) 2; MX(t) = 1 k ∑ k i=1 e txi . Caso particular Se X = 1 2 · · · n 1/n 1/n · · · 1/n E[X ] = n+12 ; V ar[X ] = n 2 −1 12 e MX(t) = E[e tX ] = e t(1−ent) n(1−et) , t 6= 0 Manuela Neves - ISA - 05/06 – p. 68/76 Principais distribuic¸o˜es discretas (cont.) A distribuic¸a˜o binomial Experiência = realização de um acontecimento sucesso não realização do acontecimento insucesso Cada uma das repetições sucessivas da experiência – prova. Provas de Bernoulli são provas repetidas que verificam: cada prova tem apenas um de dois resultados possíveis: sucesso ou insucesso. em cada prova a probabilidade de sucesso, p, permanece constante, sendo q = 1− p, a probabilidade de insucesso. as provas são independentes. Manuela Neves - ISA - 05/06 – p. 69/76 A distribuic¸a˜o binomial Exemplos: o teste de uma dada droga num rato e o registo da reacção positiva ou negativa; a inspecção dos items numa linha de fabrico para observar se cada um é defeituoso ou não; o lançamento de uma moeda. Definic¸a˜o: Chama-se varia´vel aleato´ria de Bernoulli à variável associada ao resultado de cada prova de Bernoulli, i.e., toma o valor 1, com probabilidade p, se ha´ sucesso; toma o valor 0, com probabilidade 1− p = q, se ha´ insucesso. Manuela Neves - ISA - 05/06 – p. 70/76 A distribuic¸a˜o binomial Exemplo Numa experiência colocam-se 5 bolbos de túlipa a germinar, de um pacote onde foi garantida uma probabilidade de germinação de 0.40. Para cada planta (prova) temos dois resultados possíveis: G (germina) −→ sucesso, com p = 0.4 e NG (não germina) −→ insucesso, com q = 0.6 Qual a probabilidade de, desses 5 bolbos, 3 germinarem? Admitamos os bolbos colocados em fila, pode ocorrer GGGNGNG; GGNGGNG; GGNGNGG; · · · NGGNGGG; GGNGGNG Total de modos — ( 5 3 ) = 10. São provas independentes e de probabilidade constante p P{GGGNGNG} = ... = P{GGNGGNG} = p 3 q2 = (0.4)3 (0.6)2 . Manuela Neves - ISA - 05/06 – p. 71/76 A distribuic¸a˜o binomial A probabilidade de germinarem 3 bolbos é então P [{GGGNGNG} ∪ ... ∪ {GGNGGNG}] = ( 5 3 ) (0.4)3 (0.6)2 Genericamente→ considere-se a realização de n provas de Bernoulli, em que o sucesso ocorre com probabilidade p. Definic¸a˜o: A v.a. X que conta o número de sucessos em n provas de Bernoulli, chama-se varia´vel aleato´ria binomial, diz-se ter distribuic¸a˜o binomial e representa-se por X ∩B(n, p). Caracterizac¸a˜o da v.a. X ∩B(n, p): – toma os valores x = 0, 1, 2, ..., n com probabilidades P [X = x] = ( n x ) px (1− p)n−x Manuela Neves - ISA - 05/06 – p. 72/76 A distribuic¸a˜o binomial (cont.) Atendendo ao desenvolvimento do binómio (p+ q)n (p+ q)n = qn + ( n 1 ) p qn−1 + ( n 2 ) p2 qn−2 + · · ·+ pn, com q = 1− p, é fácil verificar que ∑n x=0 ( n x ) px (1− p)n−x = [p+ (1− p)]n = 1, Exercı´cio: Para n = 5 e vários valores de p, desenhe a função massa de probabilidade. Sugestão: Consulte as folhas de Introduc¸a˜o ao software R e use os comandos: > x<- 0:5 > plot(x,dbinom(x,size=5,prob=0.2),type="h") > plot(x,dbinom(x,size=5,prob=0.4),type="h") Manuela Neves - ISA - 05/06 – p. 73/76 A distribuic¸a˜o binomial Paraˆmetros da v.a X ∩B(n, p) E[X] = np; V ar[X] = npq; MX(t) = ( p et + q )n Exercı´cio: No exemplo dado, qual a probabilidade de pelo menos dois bolbos germinarem? Para valores de n ≤ 20(25), existem tabelas para o cálculo das probabilidades. As tabelas que temos à disposição apresentam os valores da função de distribuição cumulativa. Relac¸a˜o entre a distribuic¸a˜o do nu´mero de sucessos e de insucessos X ∩B(n, p)⇒ (n−X) ∩B(n, 1− p). Manuela Neves - ISA - 05/06 – p. 74/76 A distribuic¸a˜o multinomial Experiência −→ em cada prova −→ mais de dois resultados possíveis, verificando todas as outras condições referidas na distribuição binomial, −→ experieˆncia multinomial. Se cada prova tem k resultados possíveis: E1, E2, ...Ek com probabilidades p1, p2, ...pk pi ≥ 0 e ∑k i=1 pi = 1. Probabilidade de em n provas independentes se observar x1 vezes o acontecimento E1 x2 vezes o acontecimento E2 ... xk vezes o acontecimento Ek, com x1 + x2 + ...+ xk = n ? Manuela Neves - ISA - 05/06 – p. 75/76 A distribuic¸a˜o multinomial Sejam X1,X2, ...,Xk as variáveis aleatórias que designam o número de vezes que sai cada um dos acontecimentos nas n provas. P [X1 = x1,X2 = x2, ...,Xk = xk] = n! x1! x2!...xk! px11 p x2 2 ...p xk k . Exercı´cio: Suponha uma caixa com 15 bolas, das quais 8sa˜o vermelhas(V), 2 sa˜o brancas (B) e 5 sa˜o amarelas (A). Qual a probabilidade de, ao retirar 6 com reposic¸a˜o, saı´rem 3 vermelhas, 1 branca e 2 amarelas? Manuela Neves - ISA - 05/06 – p. 76/76 nulllue {nullf Par^ametros de funções de um par aleat'orio } nulllue {nullf Par^ametros de funções de um par aleat'orio} nulllue {nullf Par^ametros de funções de um par aleat'orio} nulllue {nullf Propriedades da variância e da covariância} nulllue {nullf O coeficiente de correlac {c}~ao } nulllue {nullf Exercício } nulllue {nullf Principais distribuic {c}~oes discretas } nulllue {nullf Principais distribuic {c}~oes discretas (cont.)null} nulllue {nullf A distribuic {c}~ao binomial } nulllue {nullf A distribuic {c}~ao binomial } nulllue {nullf A distribuic {c}~ao binomial } nulllue {nullf A distribuic {c}~ao binomial (cont.)null} nulllue {nullf A distribuic {c}~ao binomial } nulllue {nullf A distribuic {c}~ao multinomial } nulllue {nullf A distribuic {c}~ao multinomial }
Compartilhar