Baixe o app para aproveitar ainda mais
Prévia do material em texto
GL301 – Estatística I Leonardo T. Duarte Primeiro Semestre de 2013 Variáveis Aleatórias Conjuntas Variáveis aleatórias conjuntas ● Até o momento, vimos algumas VAs discretas e contínuas unidimensionais ● Em muitas situações, no entanto, há um grande interesse em modelar duas ou mais grandezas conjuntamente Variáveis aleatórias conjuntas ● Até o momento, vimos algumas VAs discretas e contínuas unidimensionais ● Em muitas situações, no entanto, há um grande interesse em modelar duas ou mais grandezas conjuntamente ● Exemplo: deseja-se, num processo de manufatura, analisar a variabilidade do peso e do volume de um produto ● Neste caso, a base desta descrição requererá um modelo probabilístico multidimensional VAs discretas conjuntas ● Exemplo: sejam as variáveis aleatórias X e Y definidas como riscos associados ao funcionamento de um gerador e de uma máquina em uma indústria. 0 → nenhum risco de falhar, 1 → risco moderado de falhar, 2 → alto risco de falhar ● Estamos interessados na distribuição conjunta dos riscos VAs discretas conjuntas ● Exemplo: sejam as variáveis aleatórias X e Y definidas como riscos associados ao funcionamento de um gerador e de uma máquina em uma indústria. 0 → nenhum risco de falhar, 1 → risco moderado de falhar, 2 → alto risco de falhar ● Estamos interessados na distribuição conjunta dos riscos ● Suponha que as probabilidades conjuntas dos riscos são y P(X=x,Y=y) 0 1 2 0 0.2 0.1 0.2 x 1 0.1 0.05 0.05 2 0.15 0.1 0.05 Função de massa de probabilidade conjunta ● Sejam X e Y duas variáveis discretas ● Para cada ponto (x,y) do espaço amostral associado ao experimento conjunto modelado por X e Y, a função massa de probabilidade conjunta fXY(x,y) é definida por fXY(x,y) = P(X = x, Y = y) Função de massa de probabilidade conjunta ● Sejam X e Y duas variáveis discretas ● Para cada ponto (x,y) do espaço amostral associado ao experimento conjunto modelado por X e Y, a função massa de probabilidade conjunta fXY(x,y) é definida por fXY(x,y) = P(X = x, Y = y) ● No exemplo anterior, a fmp foi caracterizada pela tabela de probabilidade conjunta ● fXY(x,y) diz respeito a probabilidades, e logo: fXY(x,y) ≥ 0 ● Além disso, a probabilidade do evento certo deve ser 1 Função de massa de probabilidade conjunta ● No caso de uma distribuição conjunta (bidimensional) de variáveis X e Y, o espaço amostral é formado por pares (x,y) Função de massa de probabilidade conjunta ● No caso de uma distribuição conjunta (bidimensional) de variáveis X e Y, o espaço amostral é formado por pares (x,y) ● Em nosso exemplo anterior, tínhamos o seguinte espaço amostral: 0 0 . 2 0 . 4 0 . 6 0 . 8 1 1 . 2 1 . 4 1 . 6 1 . 8 2 0 0 . 2 0 . 4 0 . 6 0 . 8 1 1 . 2 1 . 4 1 . 6 1 . 8 2 x y Função de massa de probabilidade conjunta ● No caso de uma distribuição bivariável, fmp é uma função no 3. Função de massa de probabilidade conjunta ● No caso de uma distribuição bivariável, fmp é uma função no 3. ● Em nosso exemplo anterior, a fmp pode ser expressa pela seguinte figura 0 0 . 5 1 1 . 5 2 0 0 . 5 1 1 . 5 2 0 0 . 0 5 0 . 1 0 . 1 5 0 . 2 xy f X Y (x, y) Função de massa de probabilidade conjunta ● Dada uma fmp conjunta de VAs X e Y, como calcular a probabilidade de ocorrer um subconjunto do espaço amostral? ● Como calcularíamos, no exemplo, a probabilidade de ao menos um dos elementos operar com alto risco? Função de massa de probabilidade conjunta ● Dada uma fmp conjunta de VAs X e Y, como calcular a probabilidade de ocorrer um subconjunto do espaço amostral? ● Como calcularíamos, no exemplo, a probabilidade de ao menos um dos elementos operar com alto risco? ● Qual o evento associado a esse caso? 0 0 . 2 0 . 4 0 . 6 0 . 8 1 1 . 2 1 . 4 1 . 6 1 . 8 2 0 0 . 2 0 . 4 0 . 6 0 . 8 1 1 . 2 1 . 4 1 . 6 1 . 8 2 x y Subconjunto desejado do espaço amostral Pares: (0,2), (1,2), (2,2),(2,0), (2,1) Função de massa de probabilidade conjunta ● Para calcular a probabilidade de ocorrer um subconjunto do espaço amostral a partir de uma fmp conjunta, devemos somar as probabilidades de cada um dos elementos do subconjunto. Função de massa de probabilidade conjunta ● Para calcular a probabilidade de ocorrer um subconjunto do espaço amostral a partir de uma fmp conjunta, devemos somar as probabilidades de cada um dos elementos do subconjunto. ● A probabilidade P[ (X,Y) ∈ A], onde A é subconjunto do espaço amostral, é dado por Função de massa de probabilidade conjunta ● Para calcular a probabilidade de ocorrer um subconjunto do espaço amostral a partir de uma fmp conjunta, devemos somar as probabilidades de cada um dos elementos do subconjunto. ● A probabilidade P[ (X,Y) ∈ A], onde A é subconjunto do espaço amostral, é dado por ● Em nosso exemplo: A = {(0,2), (1,2), (2,2),(2,0), (2,1)} ● Logo P[ (X,Y) ∈ A] = fXY(0,2) + fXY(1,2) + fXY(2,2) + fXY(2,0) + fXY(2,1) = 0.15 + 0.1 + 0.05 + 0.05 + 2 = 0.55 FMPs marginais de X e Y ● Considere uma fmp conjunta fXY(x,y) utilizada para modelar o experimento aleatório descrito pelas VAs X e Y ● Como determinar a distribuição de cada uma das VAs separadamente? FMPs marginais de X e Y ● Considere uma fmp conjunta fXY(x,y) utilizada para modelar o experimento aleatório descrito pelas VAs X e Y ● Como determinar a distribuição de cada uma das VAs separadamente? ● Em nosso exemplo, qual a distribuição de probabilidade dos riscos associados ao gerador? y P(X=x,Y=y) 0 1 2 0 0.2 0.1 0.2 x 1 0.1 0.05 0.05 2 0.15 0.1 0.05 FMPs marginais de X e Y ● Vamos calcular P(X = 0), P(X=1) e P(X=2) P(X=0) = P(X=0, Y=0) + P(X=0, Y=1) + P(X=0, Y=2) = 0.5 P(X=1) = P(X=1, Y=0) + P(X=1, Y=1) + P(X=1, Y=2) = 0.2 P(X=2) = P(X=2, Y=0) + P(X=2, Y=1) + P(X=2, Y=2) = 0.3 y P(X=x,Y=y) 0 1 2 0 0.2 0.1 0.2 x 1 0.1 0.05 0.05 2 0.15 0.1 0.05 FMPs marginais de X e Y ● Vamos calcular P(X = 0), P(X=1) e P(X=2) P(X=0) = P(X=0, Y=0) + P(X=0, Y=1) + P(X=0, Y=2) = 0.5 P(X=1) = P(X=1, Y=0) + P(X=1, Y=1) + P(X=1, Y=2) = 0.2 P(X=2) = P(X=2, Y=0) + P(X=2, Y=1) + P(X=2, Y=2) = 0.3 ● Logo y P(X=x,Y=y) 0 1 2 0 0.2 0.1 0.2 x 1 0.1 0.05 0.05 2 0.15 0.1 0.05 FMPs marginais de X e Y ● O processo que acabamos de fazer é chamado de marginalização de uma fmp conjunta → a partir de fXY(x,y), determina-se a fmp marginal de X ● Poderíamos calcular também a distribuição marginal de fY(y) FMPs marginais de X e Y ● O processo que acabamos de fazer é chamado de marginalização de uma fmp conjunta → a partir de fXY(x,y), determina-se a fmp marginal de X ● Poderíamos calcular também a distribuição marginal de fY(y) ● O termo marginal vem do fato de que, na tabela de distribuição, as somas para que realizamos são geralmente exibidas nas margens da tabela y P(X=x,Y=y) 0 1 2 P(X = x) 0 0.2 0.1 0.2 0.5 x 1 0.1 0.05 0.05 0.2 2 0.15 0.1 0.05 0.3 P(Y = y) 0.45 0.25 0.3 FMPs marginais de X e Y ● De um modo geral as distribuições marginais de X e Y podem ser obtidas a partir de fXY(x,y) da seguinte maneira VAs contínuas conjuntas ● Também podemos definir uma distribuição conjunta de variáveis contínuas ● Exemplo: Seja um X e Y VAs associadas a duas dimensões de um produto. ● Qual a probabilidade de um produto escolhido ao acaso ter dimensões no intervalo 0.1<x<0.2 e 0.3 < y < 0.4? ● Para responder esta pergunta, precisamos definir o conceitode função densidade de probabilidade conjunta VAs contínuas conjuntas ● Sejam X e Y VAs contínuas, a fdp conjunta fXY(x,y) associada a esta variável é uma função que deve satisfazer as seguintes propriedades: ● Dada fXY(x,y), como calcular P[ (X,Y) ∈ A], onde A é um conjunto bidimensional? VAs contínuas conjuntas ● Exemplo: considere que as dimensões do produto podem ser modeladas pela seguinte VA conjunta ● Calcule k para que fXY(x,y) seja uma VA conjunta. VAs contínuas conjuntas ● A integral conjunta deve somar 1 (evento certo) VAs contínuas conjuntas ● Logo, em nosso exemplo, a VA conjunta é dada por ● Como calcular P[(0.1<X<0.2, 0.3 < Y < 0.4)]? ● Temos que integrar a fdp fXY(x,y) neste intervalo. VAs contínuas conjuntas ● Calculando P[(0.1<X<0.2, 0.3 < Y < 0.4)] ● Resolver esta integral dupla VAs contínuas conjuntas ● Suponha agora que queiramos calcular a probabilidade P(X > Y) ● Temos que integral fXY(x,y) na região definida por X>Y Marginalização de VAs contínuas conjuntas ● Assim como no caso discreto, é possível definir, para uma fdp conjunta formada por X e Y, as fdps marginais de X e Y ● Caso discreto Caso contínuo VAs contínuas conjuntas ● Em nosso exemplo, ache a distribuição marginal de Distribuições condicionais ● Tanto para o caso discreto quanto para o caso contínuo, podemos definir o conceito de distribuição condicional ● Retomando o exemplo de VA discreta ● Qual a função massa de probabilidade de X dado que observamos Y=1 (sabemos que a máquina opera com risco moderado de falhar)? y P(X=x,Y=y) 0 1 2 P(X = x) 0 0.2 0.1 0.2 0.5 x 1 0.1 0.05 0.05 0.2 2 0.15 0.1 0.05 0.3 P(Y = y) 0.45 0.25 0.3 Distribuições condicionais ● Neste caso, a fmp de X dado que Y é 1 pode ser obtida pela coluna referente a y=1. ● No entanto, devemos normalizar esta coluna por fY(1) = p(Y=1). ● Logo y P(X=x,Y=y) 0 1 2 0 0.2 0.1 0.2 x 1 0.1 0.05 0.05 2 0.15 0.1 0.05 Distribuições condicionais ● Podemos generalizar o procedimento realizado e utilizá- lo para calcular a distribuição de X condicionada a Y ● Dadas duas VAs X e Y, a fdp (ou fmp) de Y dado que X=x pode ser obtida através da seguinte relação ● Esta definição existe apenas se fX(x) ≠ 0 Distribuições condicionais ● Exemplo caso contínuo: na situação anterior tínhamos: Distribuições condicionais ● Exemplo caso contínuo: na situação anterior tínhamos: ● Logo Esperança condicional ● Uma distribuição (fmp ou fdp) condicional satisfaz todos os requisitos de uma VA ● Assim sendo, podemos definir o conceito de esperança condicional ● Retomemos nosso exemplo no caso discreto ● Dado que Y=1, qual o valor esperado para o risco do gerador, i.e., E{X|Y=1}? y P(X=x,Y=y) 0 1 2 0 0.2 0.1 0.2 x 1 0.1 0.05 0.05 2 0.15 0.1 0.05 Esperança condicional ● Dado que Y=1, qual o valor esperado para o risco do gerador, i.e., E{X|Y=1}? ● Cálculo da esperança: E{X|Y=1} = fX|Y(0,1)*0 + fX|Y(1,1)*1 + fX|Y(2,1)*2 = 0.4*0 + 0.2*1 + 0.4*2 = 1 y P(X=x,Y=y) 0 1 2 0 0.2 0.1 0.2 x 1 0.1 0.05 0.05 2 0.15 0.1 0.05 Esperança condicional ● A esperança condicional pode ser definida tanto para VAs contínuas quanto discretas Variáveis aleatórias independentes ● Vimos o conceito de independência no caso de probabilidades ● Este mesmo conceito pode ser aplicado para o caso de duas VAs X e Y ● Duas VAs são ditas independentes se ● Quando esta condição é verificada, temos automaticamente as seguintes condições satisfeitas e vice-versa Variáveis aleatórias independentes ● Exemplo: em nosso exemplo para o caso discreto X e Y são independentes? ● Já calculamos f(X|Y=1)(x|y=1). Note que difere de fX(x)! y P(X=x,Y=y) 0 1 2 P(X = x) 0 0.2 0.1 0.2 0.5 x 1 0.1 0.05 0.05 0.2 2 0.15 0.1 0.05 0.3 P(Y = y) 0.45 0.25 0.3 ● Conclusão: X e Y não são independentes! Variáveis aleatórias independentes ● O tempo de vida útil (em horas) de dois componentes de uma máquina é modelado pelas VAs exponenciais X1 e X2 de parâmetros λ1 = 1/1000 e λ2 = 1/1200. As vidas úteis destes componentes são independentes, qual a probabilidade de ambos durarem pelo menos 1500? ● Como X1 e X2 são independentes, temos ● A probabilidade de ambos durarem pelo menos 1500 é: Ilustração independência ● Numa indústria de alimentos, deseja-se controlar o peso e o volume de um pacote de biscoitos 5 Independentes Dependentes Aplicação do conceito de independência ● Separação de dados Exercício Seja a distribuição conjunta ● Calcule c para que f(x,y) seja uma distribuição no intervalo 0 < x < 1, 0 < y < 1 ● Calcule E{X} ● Calcule E{Y} Valores esperados de uma distribuição conjunta ● Assim como no caso de distribuições unidimensionais, podemos definir o conceito de valor esperado para distribuições conjuntas Valores esperados de uma distribuição conjunta ● Assim como no caso de distribuições unidimensionais, podemos definir o conceito de valor esperado para distribuições conjuntas ● Sejam X e Y as VAs de uma distribuição conjunta cuja fdp (ou fmp) é dada por fXY(x,y), o valor esperado de uma função h(X,Y) é dado por Caso discreto Caso contínuo Valores esperados de uma distribuição conjunta ● Exemplo: Considere a seguinte distribuição conjunta discreta y P(X=x,Y=y) 1 2 3 4 5 1 0 0.05 0.05 0.05 0.05 x 2 0.05 0 0.05 0.05 0.05 3 0.05 0.05 0 0.05 0.05 4 0.05 0.05 0.05 0 0.05 5 0.05 0.05 0.05 0.05 0 Valores esperados de uma distribuição conjunta ● Calcule a esperança da distância absoluta de X e Y Valores esperados de uma distribuição conjunta ● Calcule a esperança da distância absoluta de X e Y ● E{h(X,Y)}, onde h(X,Y) = |X-Y| ● E{|X-Y|} = 0*fXY(1,1) + 1*fXY(1,2) + … + 4*fXY(1,5) + ...+ 0*fXY(5,5) = 2 y h(X,Y) 1 2 3 4 5 1 0 1 2 3 4 x 2 1 0 1 2 3 3 2 1 0 1 2 4 3 2 1 0 1 5 4 3 2 1 0 Covariância ● Vimos que duas VAs X e Y podem ser independentes ou dependentes ● Quando elas são dependentes, é de interesse dispor de medidas capazes de quantificar o quão relacionadas as VAs X e Y são Covariância ● Vimos que duas VAs X e Y podem ser independentes ou dependentes ● Quando elas são dependentes, é de interesse dispor de medidas capazes de quantificar o quão relacionadas as VAs X e Y são ● Uma possível medida neste sentido é a covariância Cov(X,Y) = E{ (X-E{X}) (Y-E{Y}) } ● Caso discreto ● Caso contínuo Covariância ● Manipulando a covariância podemos obter uma nova expressão Cov(X,Y) = E{ (X-E{X}) (Y-E{Y}) } Cov(X,Y) = E{XY – XE{Y} -E{X}Y +E{X}E{Y}} Cov(X,Y) = E{XY} – E{XE{Y}} – E{E{X}Y} + E{X}{Y} Cov(X,Y) = E{XY} – E{Y}E{X} – E{X}E{Y} + E{X}E{Y} Cov(X,Y) = E{XY} – E{X}E{Y} ● Note que Cov(X,X) é a própria variância de X Interpretação da covariância ● Vamos considerar duas VAs tal que E{X}=E{Y} = 0;Cov(X,Y) = E{XY} – E{X}E{Y} = E{XY} - 4 - 3 - 2 - 1 0 1 2 3 4 - 5 - 4 - 3 - 2 - 1 0 1 2 3 4 5 X Y C o v a r i â n c i a 1 . 0 0 1 1 - 4 - 3 - 2 - 1 0 1 2 3 4 - 6 - 4 - 2 0 2 4 6 X Y C o v a r i â n c i a - 0 . 9 6 0 9 9 - 3 - 2 - 1 0 1 2 3 - 3 - 2 - 1 0 1 2 3 4 X Y C o v a r i â n c i a - 0 . 0 4 6 8 6 9 - 3 - 2 - 1 0 1 2 3 4 - 3 0 - 2 0 - 1 0 0 1 0 2 0 3 0 4 0 X Y C o v a r i â n c i a 9 . 2 1 6 6 Covariância ● Exemplo: Um banco possui duas linhas de crédito casadas para pequenasempresas. Ele pode emprestar uma quantia para investimento e outra para capital de giro. Para cada um desses itens, pode ser emprestado R$ 1000k ou R$ 2000k, o que depende de algumas condições impostas para cada uma linhas. Baseado em informações de 2 anos, chegou-se a conclusão de que este processo pode ser modelado pela seguinte distribuição conjunta, X → quantia emprestada para capital de giro Y → quantia emprestada para investimento ● Calcule a covariância desta distribuição y P(X=x,Y=y) 1 2 P(X=x) x 1 0.3 0.1 0.4 2 0.2 0.4 0.6 P(Y = y) 0.5 0.5 Covariância ● Vamos calcular cov(X,Y) ● Primeiramente, temos que E{X} = 1*0.4 + 2*0.6 = 1.6 e E{Y} = 1*0.5 + 2*0.5 = 1.5 ● E{XY} = 1*1*0.3 + 1*2*0.1 + 2*1*0.2 + 2*2*0.4 = 0.3 + 0.2 + 0.4 + 1.6 = 2.5 Cov(X,Y) = E{XY} – E{X}E{Y} = 2.5 – 1.6*1.5 = 0.1 y P(X=x,Y=y) 1 2 P(X=x) x 1 0.3 0.1 0.4 2 0.2 0.4 0.6 P(Y = y) 0.5 0.5 Covariância ● Exemplo: Considere uma distribuição conjunta discreta X e Y dada por 1 1 . 1 1 . 2 1 . 3 1 . 4 1 . 5 1 . 6 1 . 7 1 . 8 1 . 9 2 1 1 . 1 1 . 2 1 . 3 1 . 4 1 . 5 1 . 6 1 . 7 1 . 8 1 . 9 2 0 0 . 0 5 0 . 1 0 . 1 5 0 . 2 0 . 2 5 0 . 3 0 . 3 5 0 . 4 x y f X Y (x, y) Covariância ● Considere agora que a distribuição conjunta é dada por ● Vamos calcular cov(X,Y) ● Primeiramente, temos que E{X} = 1*0.5 + 2*0.5 = 1.5 e E{Y} = 1*0.5 + 2*0.5 = 1.5 ● E{XY} = 1*1*0.25 + 1*2*0.25 + 2*1*0.25 + 2*2*0.25 = 0.25 + 0.5 + 0.5 + 1 = 2.25 Cov(X,Y) = E{XY} – E{X}E{Y} = 3.25 – 1.5*1.5 = 0 y P(X=x,Y=y) 1 2 P(X=x) x 1 0.25 0.25 0.5 2 0.25 0.25 0.5 P(Y = y) 0.5 0.5 Covariância ● Função massa de probabilidade no caso equiprovável 1 1 . 1 1 . 2 1 . 3 1 . 4 1 . 5 1 . 6 1 . 7 1 . 8 1 . 9 2 1 1 . 1 1 . 2 1 . 3 1 . 4 1 . 5 1 . 6 1 . 7 1 . 8 1 . 9 2 0 0 . 0 5 0 . 1 0 . 1 5 0 . 2 0 . 2 5 x y f X Y (x, y) Covariância ● Exemplo: numa indústria alimentícia, há um processo de embalagem de uma caixa de bombons composta por três tipos de chocolates diferentes (amargo, ao leite e branco) ● Este processo é composto por dois subprocessos. Primeiramente duas máquinas depositam os chocolates amargo e ao leite em uma quantidades que podem ser diferentes. Em seguida, uma terceira máquina deposita chocolate branco até que a caixa tenha um quilograma ● O primeiro processo pode ser modelado pela seguinte distribuição conjunta onde ● X → quantidade de chocolate amargo em quilograma ● Y → quantidade de chocolate ao leite em quilograma Covariância ● Plotando a densidade conjunta ● Vamos calcular a covariância desta densidade conjunta Covariância ● Primeiro passo: calcular E{X} e E{Y} ● É fácil mostrar que E{X} = 2/5 ● Pela simetria do problema fX(x) = fY(y) e, logo, E{Y} = 2/5 ● Resta calcular E{XY}! Covariância ● Calculando E{XY} ● Cov(X,Y) = E{XY} - E{X}E{Y} 2/15 – (2/5)*(2/5) = -2/75 ● Covariância negativa neste caso → quantidade maior de chocolate amargo implica numa quantidade menor de chocolate ao leite Correlação ● A covariância é sensível à escala ● Por exemplo, considere a distribuição dada por ● Suponha agora que multiplicamos X e Y por 1000 y P(X=x,Y=y) 1 2 P(X=x) x 1 0.3 0.1 0.4 2 0.2 0.4 0.6 P(Y = y) 0.5 0.5 y P(X=x,Y=y) 1000 2000 P(X=x) x 1000 0.3 0.1 0.4 2000 0.2 0.4 0.6 P(Y = y) 0.5 0.5 Cov(X,Y) = 0.1 Cov(X,Y) = 100000 Correlação ● É possível definir uma medida de “relação” entre duas VAs que não dependa da escala ● Esta medida é conhecida como coeficiente de correlação e é definida como ● onde σX e σY correspondem aos desvios padrão de X e Y, respectivamente ● Corr(X,Y) = 0, variáveis descorrelacionadas! ● O coeficiente de correlação satisfaz -1 < Corr(X,Y) < 1 Corr(aX+b , cY + d) = Corr(X,Y) → Transformações lineares em cada direção não afeta o coeficiente de correlação! Correlação ● A covariância é sensível à escala ● Por exemplo, considere a distribuição dada por ● Suponha agora que multiplicamos X e Y por 1000 y P(X=x,Y=y) 1 2 P(X=x) x 1 0.3 0.1 0.4 2 0.2 0.4 0.6 P(Y = y) 0.5 0.5 y P(X=x,Y=y) 1000 2000 P(X=x) x 1000 0.3 0.1 0.4 2000 0.2 0.4 0.6 P(Y = y) 0.5 0.5 Cov(X,Y) = 0.1 Corr(X,Y) = 0.4082 Cov(X,Y) = 100000 Corr(X,Y) = 0.4082 Correlação ● Exemplo: caso contínuo ● Embora estejam descolocados, os dados possuem o mesmo coeficiente de correlação (Corr(X,Y) = 0.7) - 6 - 4 - 2 0 2 4 6 - 6 - 4 - 2 0 2 4 6 X Y - 6 - 4 - 2 0 2 4 6 - 6 - 4 - 2 0 2 4 6 X Y Interpretação da correlação ● O coeficiente de correlação é uma excelente medida de relação linear entre duas variáveis ● Exemplos (wikipedia) ● Corr(X,Y) = 1 ou -1 se, e somente se, Y = aX + b (a ≠ 0) ● Correlação não implica em causalidade! Correlação e independência ● Duas variáveis aleatórias X e Y independentes, serão necessariamente descorrelacionadas ● No entanto, a recíproca não é verdadeira. É possível existir variáveis descorrelacionadas que não são dependentes ● Exemplo: considere uma VA uniformemente distribuída no seguinte quadrado abaixo X Y ● É possível mostrar que corr(X,Y)=0 ● No entanto, X e Y são dependentes Distribuição normal bivariada ● É possível estender a definição de VA normal para o caso 2D ● A distribuição normal bivariada é dada por ● Onde ρ é o coeficiente de correlação ● Note que se ρ = 0, então , temos que ● Portanto, neste caso fXY(x,y) = fX(x)fY(y) ● Conclusão: no caso de distribuições normais, se duas variáveis X e Y são correlacionadas, então elas serão necessariamente independentes Distribuição normal bivariada: exemplos μX=μY= 0, σX=σY=1, ρ=0 μX=μY= 0, σX=σY=1, ρ=0.6 Distribuições multidimensionais ● Podemos definir distribuições conjuntas para N VAs ● Sejam X1, X2,...,XN VAs contínuas. A fdp conjunta fX1, X2,...,XN(x1, x2,...,xN) é uma função que deve satisfazer as seguintes propriedades: ● Dada fX1, X2,...,XN(x1, x2,...,xN), como calcular P[ (X1, X2,...,XN) ∈ A], onde A é um conjunto no espaço N-dimensional? Distribuições multidimensionais ● Exemplo (Montgomery): um produto eletrônico dependente do funcionamento de quatro componentes. O tempo de vida (em horas) destes componentes é modelado pela seguinte distribuição conjunta para x1,x2,x3,x4 ≥ 0 Qual a probabilidade do produto funcionar por pelo menos 1000 horas? ● Queremos P(X1 > 1000, X2 > 1000, X3 > 1000, X4 > 1000) = Combinação linear de VAs ● Dado um conjunto de VAs X1, X2,...,Xp, e constantes c1, c2,...,cp, então Y = c1X1 + c2X2 + … + cpXp é uma combinação linear de X1, X2,...,Xp ● É possível mostrar que a média da combinação linear, E{Y} = c1E{X1} + c2E{X2} + … + cpE{Xp}, é dada por: ● A variância da combinação linear é ● Caso de duas variáveis Combinação linear de VAs ● Num processo de manufatura, o comprimento e a largura de uma peça são modelados por variáveis aleatórias X1 e X2 normais de médias 2 e 5 cm, respectivamente. As variâncias destas VAs são, respectivamente, 0.01 e 0.04 ● Há correlação entre estas duas medidas, de modo que Cov(X1,X2) = 0.01 ● Calcule a probabilidade de que o perímetro da peça produzida seja menor do que 13 cm Combinação linear de VAs: exemplo ● Solução: O perímetro pode ser descrito pela VA aleatória Y = 2X1 + 2X2 ● Já vimos no curso que a soma de duas VAs gaussianas resulta em VA gaussiana. Logo Y segue uma distribuição gaussiana ● Precisamos calcular a média e variância de Y E{Y} = 2E{X1} + 2E{X2}= 14 cm σY2 = 22 σX12 + 22 σX22 + 23 Cov(X1,X2) = 0.28 ● Logo queremos encontrar P(Y<13) onde Y segue uma normal de média 14 e variância 0.28. ● Basta calcular FY(13) = 0.029 = 2.9% Combinação linear de VAs: exemplo Slide 1 Slide 2 Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16 Slide 17 Slide 18 Slide 19 Slide 20 Slide 21 Slide 22 Slide 23 Slide 24 Slide 25 Slide 26 Slide 27 Slide 28 Slide 29 Slide 30 Slide 31 Slide 32 Slide 33 Slide 34 Slide 35 Slide 36 Slide 37 Slide 38 Slide 39 Slide 40 Slide 41 Slide 42 Slide 43 Slide 44 Slide 45 Slide 46 Slide 47 Slide 48 Slide 49 Slide 50 Slide 51 Slide 52 Slide 53 Slide 54 Slide 55 Slide 56 Slide 57 Slide 58 Slide 59 Slide 60 Slide 61 Slide 62 Slide 63 Slide 64 Slide 65 Slide 66 Slide 67 Slide 68 Slide 69 Slide 70 Slide 71 Slide 72 Slide 73 Slide 74 Slide 75 Slide 76 Slide 77 Slide 78
Compartilhar