Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 1 � Introdução e conceito � Variáveis aleatórias discretas � Variáveis aleatórias contínuas Variáveis aleatórias 2 Experimento aleatExperimento aleatóório:rio: Lançamento de uma moeda honesta três vezes e observação das faces que ocorrem. #S = 2 x 2 x 2 = 23 = 8 c k c k c k c k c k c k c k → ccc → cck → ckc → ckk → kcc → kck → kkc → kkk Variáveis aleatórias S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk} �� Ferramental matemático se amplia consideravelmente se o espaço amostral for numérico Diagrama Diagrama em em áárvorervore 3 Experimento aleatExperimento aleatóório:rio: Lançamento de uma moeda honesta três vezes e observação das faces que ocorrem. X = nnúúmero de carasmero de caras ocorrido nos três lançamentos X = {0, 1, 2, 3} ccc cck ckc kcc kkc kck ckk kkk 0 1 2 3 X(ccc) = 3 X(cck) = 2 Conjunto não numérico Conjunto numérico XX éé a a varivariáável que vel que transforma transforma um conjunto um conjunto não numnão numéérico rico num conjunto num conjunto numnumééricorico X(kkc) = 1 X(ckk) = 1 X(ckc) = 2 X(kcc) = 2 X(kck) = 1 X(kkk) = 0 Quais são os possíveis valores de X? S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk} 4 S Espaço amostral básico SX Espaço amostral da variável X • s •X(s) X é a função que transforma DomDomíínionio ContradomContradomíínionio (espaço onde X assume valores) DefiniDefiniçção:ão: É uma função (ou regra) que transforma um espaço amostral qualquer em um espaespaçço amostral numo amostral numééricorico, que será sempre um subconjunto do conjunto dos números reais. Variável aleatória 2 5 VariVariááveis aleatveis aleatóóriasrias DiscretasDiscretas ContContíínuasnuas Variáveis aleatórias discretas DefiniDefiniçção:ão: São discretas todas as variáveis cujo espaço amostral SSXX é enumerenumeráável finitovel finito ou infinitoinfinito. Se X é uma variável aleatória discreta, então SSXX é um subconjunto dos inteirossubconjunto dos inteiros. 6 X(kc) = 1 Exemplo: Lançamento de uma moeda honesta até que ocorra a face cara e observação das faces que ocorrem. S = {c , kc , kkc , kkkc , kkkkc , kkkkkc, ...} Y = número de lanlanççamentos amentos até que ocorra cara SY = {1, 2 , 3 , 5, 4 , 6, ...} XSXS → Y(kc) = 2 Y(c) = 1 YSYS → X = número de coroascoroas até que ocorra cara SX = {0 , 1 , 2, 3 , 4 , 5, ...} X(c) = 0 7 1. Função de probabilidade 1.1. p(x) ≥≥≥≥ 0, ∀∀∀∀ x∈∈∈∈SX DefiniDefiniçção:ão: Seja X uma variável aleatória discreta e SX o seu espaço amostral. A função de probabilidade P(X=x)P(X=x), ou simplesmente p(x)p(x), será a funfunçção que associa a cada ão que associa a cada valor de valor de XX a sua probabilidade de ocorrênciaa sua probabilidade de ocorrência, desde que atenda duas condições: 1p(x) XSx =∑ ∈ 2.2. 8 Exemplo:Exemplo: Lançamento de uma moeda honesta três vezes e observação das faces que ocorrem. c k c k c k c k c k c k c k → ccc → cck → ckc → ckk → kcc → kck → kkc → kkk Diagrama Diagrama em em áárvorervore p(0) =1/8 p(1) =3/8 p(2) =3/8 p(3) =1/8 1 8 1 =+ 8 3 + 8 1 8 3 + 1SX = {0, , 2, 3} Primeira condição Segunda condição X = número de caras nos três lançamentos S = {ccc , cck , ckc , kcc , kkc , kck , ckk , kkk} 3 9 Existem três formas de representar uma função: �������� RepresentaRepresentaçção tabular:ão tabular: consiste em relacionar em uma tabela os valores da função de probabilidade. �������� RepresentaRepresentaçção grão grááfica:fica: consiste em representar graficamente a relação entre os valores da variável e suas probabilidades �������� RepresentaRepresentaçção analão analíítica:tica: estabelece uma expressão geral para representar o valor da função de probabilidade num ponto genérico da variável 10 S = {B1B2, P1B1, P1B2, P2B1, P2B2, P3B1, P3B2, P1P2, P1P3, P2P3} SX = {0, 1, 2} P(X = 0) P(X = 1) P(X = 2) 10 1 C CC 2 5 2 2 0 3 == 10 6 C CC 2 5 1 2 1 3 == Exemplo:Exemplo: De uma urna com três bolas pretas e duas brancas, retiram-se duas bolas juntas. Se X é o número de bolas pretas retiradas, determine a função de probabilidade P(X=x). 10 3 C CC 2 5 0 2 2 3 == # S = C52 = 10 11 X=x 0 1 2 Σ P(X=x) 10 1 10 6 10 3 1 �������� RepresentaRepresentaçção tabularão tabular �������� RepresentaRepresentaçção grão grááficafica 0 1 2 0,2 0,4 0,6 p(x) x 12 2 5 x2 2 x 3 C CC x) P(X − == , para SX = {0, 1, 2} P(X = 0) = P(X = 1) = P(X = 2) = 2 5 2 2 0 3 C CC 2 5 1 2 1 3 C CC 2 5 0 2 2 3 C CC �������� RepresentaRepresentaçção analão analííticatica 4 13 2. Função de distribuição ou probabilidade acumulada DefiniDefiniçção:ão: Seja X uma variável aleatória discreta e SX o seu espaço amostral. A função de distribuição, denotada por F(x)F(x) ou P(XP(X ≤≤≤≤≤≤≤≤ x)x), é a funa funçção que associa a cada valor de ão que associa a cada valor de XX a a probabilidadeprobabilidade P(XP(X ≤≤≤≤≤≤≤≤ x)x). Desta forma, temos F(x) = P(X≤≤≤≤x) = ∑ = ≤xX x)P(X 14 F(0) = P(X ≤≤≤≤ 0) = F(1) = P(X ≤≤≤≤ 1) = F(2) = P(X ≤≤≤≤ 2) = ∑ = ≤0x x)P(X ∑ = ≤1x x)P(X ∑ = ≤2x x)P(X = P(X = 0) = = P(X = 0) + P(X = 1) = P(X = 0) + P(X = 1) + P(X = 2) No exemplo: F(x) = P(X ≤≤≤≤ x) = P(X x) X x≤ =∑ 10 1 10 7 10 6 10 1 =+= 1 10 3 10 6 10 1 =++= X=x 0 1 2 Σ P(X=x) 10 1 10 6 10 3 1 15 X=x 0 1 2 Σ P(X=x) 10 1 10 6 10 3 1 F(x) 10 1 10 7 1 - �������� RepresentaRepresentaçção tabularão tabular �������� RepresentaRepresentaçção grão grááficafica 0 1 2 0,2 0,4 0,6 0,8 F(x) 1,0 x 16 P(X x) X x≤ =∑F(x) = P(X ≤≤≤≤ x) = , para SX = {0, 1, 2} x 2 x 3 2 2 5 C C CX x − ≤ ∑F(x) = P(X ≤≤≤≤ x) = 2 5 x2 2 x 3 C CC x)P(X − == No exemplo: F(1) = P(X ≤≤≤≤ 1) 2 5 1 2 1 3 2 5 2 2 0 3 1x 2 5 x2 2 x 3 C CC C CC C CC +=∑= ≤ − �������� RepresentaRepresentaçção analão analííticatica 5 17 3. Medidas descritivas S = {B1B2, P1B1, P1B2, P2B1, P2B2, P3B1, P3B2, P1P2, P1P3, P2P3} Conjunto numérico XSXS → Conjunto não numérico X SX = {0, 1, 2} No exemplo: X = número de bolas pretas em duas retiradas Possibilita o cPossibilita o cáálculo lculo de medidas de medidas descritivas: mdescritivas: méédia, dia, variância, etc.variância, etc. 18 DefiniDefiniçção:ão: Seja XX uma variável aleatória discreta e SSXX o seu espaço amostral. O valor médio de XX, denotado por E(X)E(X), ou µµXX, ou simplesmente µµ, é a média dos valores de XX ponderada pelas suas respectivas probabilidades de ocorrência. Deste modo, tem-se SX = {0, 1, 2} ∑ ∑ ∈ ∈ X X Sx Sx p(x) p(x)x ∑ ∈ = XSx p(x)x 1= E(X) = µ= �������� MMéédia ou valor esperadodia ou valor esperado X=x 0 1 2 Σ P(X=x) 10 1 10 6 10 3 1 19 1,2 10 12 10 32 10 61 10 10 ==×+×+×= No exemplo: E(X) = µ ∑ ∈ = XSx p(x)x bolas pretas Significado do valor esperado:Significado do valor esperado: se o experimento fosse repetido um grande número de vezes, esperaríamos que o número médio de bolas pretas escolhidas fosse 1,2. X=x 0 1 2 Σ P(X=x) 10 1 10 6 10 3 1 20 �� Não confundir µx com .x Importante!!!Importante!!!é a média de alguns valores de X (usualmente uma amostra de valores) x µx é a média de todos os valores de X (para os quais a probabilidade é conhecida) 6 21 Exercício proposto: O tempo (em minutos) para que um operário processe certa peça é uma variável com distribuição dada na tabela abaixo. (a) Calcule o tempo médio de processamento. (b) Para cada peça processada o operário ganha um fixo de R$ 1,00, mas se processa a peça em menos de 6 minutos, ganha R$ 0,50 por cada minuto poupado. Por exemplo, se ele processa a peça em 5 minutos, recebe a quantia de R$ 0,50. Encontre a média de G = quantia ganha por peça. x 2 3 4 5 6 7 p(x) 0,10 0,10 0,30 0,20 0,20 0,10 (R: µµµµ = 4,60) (R: µµµµ = 1,75) 22 11aa propriedade:propriedade: A média de uma constante cc é a própria constante. E(c)=cE(c)=c Propriedades da mPropriedades da méédia ou valor esperadodia ou valor esperado 22aa propriedade:propriedade: Se XX é uma variável aleatória e cc uma constante, ao somarmos a constante aos valores da variável, a média da variável também fica somada da constante. E(c+X)=c+E(X)E(c+X)=c+E(X) 33aa propriedade:propriedade: Se XX é uma variável aleatória e cc uma constante, ao multiplicarmos a variável pela constante, a média da variável também fica multiplicada pela constante. E(cX)=E(cX)=cEcE(X)(X) 23 44aa propriedade:propriedade: A média dos desvios é igual a zero. E(XE(X--µµµµµµµµ)=0)=0 55aa propriedade:propriedade: A média dos desvios quadráticos é mínima E(XE(X--µµµµµµµµ))2 2 < E(X< E(X--cc))22 77aa propriedade:propriedade: Se XX e YY são duas variáveis aleatórias independentes, a média do produto das duas variáveis é igual ao produto de suas médias. E(XY) = E(X)E(XY) = E(X) E(Y)E(Y), se XX e YY são independentes 66aa propriedade:propriedade: Se XX e YY são duas variáveis aleatórias, a média da soma (ou diferença) das duas variáveis é igual à soma (ou diferença) de suas médias. E(XE(X ±±±±±±±±Y) = E(X)Y) = E(X) ±±±±±±±±E(Y)E(Y) 24 2 µ)E(X−=V(X) = σ2 22 µ)E(X −= DefiniDefiniçção:ão: Seja XX uma variável aleatória discreta e SSXX o seu espaço amostral. A variância de XX, denotada por V(X)V(X), ou , ou simplesmente σσ22, é o grau médio de dispersão dos valores de XX em relação à sua média. Esta medida é definida como a média ou valor esperado dos quadrados dos desvios em relação à média. Deste modo, temos σσσσσσσσXX 22 �������� VariânciaVariância ∑ ∈ −= XSx 2p(x)µ)(x OU ∑ ∈ = XSx 22 p(x)x)E(X onde: [ ] [ ]222 p(x)x E(X)µ ∑== 7 25 No exemplo: V(X) = σ2 = − × + − × + − × = 2 2 2 12 1 12 6 12 3 36 0 1 2 10 10 10 10 10 10 100 E(X) = µ V(X) = σ2 22 µ)E(X −= = − = = 2 18 12 36 0,36 10 10 100 ∑= p(x)x)E(X 22 10 18 10 32 10 61 10 10 222 =×+×+×= 1,2 10 12 == 2 µ)E(X −= ∑ ∈ −= XSx 2p(x)µ)(x bolas pretas 2 X=x 0 1 2 Σ P(X=x) 10 1 10 6 10 3 1 26 11aa propriedade:propriedade: Se cc é uma constante, sua variância é nula. V(c)=0V(c)=0 Propriedades da variânciaPropriedades da variância 22a a propriedade:propriedade: Se XX é uma variável aleatória e cc uma constante, ao somarmos a constante aos valores da variável a variância da variável não se altera. V(X+c)=V(X)V(X+c)=V(X) 33a a propriedade:propriedade: Se XX é uma variável aleatória e cc uma constante, ao multiplicarmos a variável pela constante a variância da variável fica multiplicada pelo quadrado da constante. V(cX)=cV(cX)=c22 V(X)V(X) 44aa propriedade:propriedade: Se XX e YY são duas variáveis aleatórias independentes, a variância da soma (ou diferença) das duas variáveis é igual à soma das variâncias de cada uma. V(XV(X ±±±±±±±±Y)Y) =V(X)=V(X) ++++++++V(Y)V(Y), se XX e YY são independentes 27 V(X)σ = DefiniDefiniçção:ão: Raiz quadrada positiva da variância. �������� Desvio padrãoDesvio padrão No exemplo: 0,60,36V(X)σ === Significado do desvio padrão:Significado do desvio padrão: se o experimento fosse repetido um grande número de vezes, a variação média do número de bolas pretas escolhidas em torno do valor esperado seria 0,6. bolas pretas 28 �� Não confundir σ2 com s2. Importante!!!Importante!!! s2 é a variância de algunsalguns valores de X (usualmente uma amostra de valores) σ2 é a variância de todostodos os valores de X (para os quais a probabilidade é conhecida) �� Da mesma forma, não confundir σ com s. 8 29 Exercício proposto: Um vendedor recebe uma comissão de R$ 100,00 por uma venda. Baseado em suas experiências anteriores ele calculou a distribuição de probabilidades das vendas semanais: (a) Qual é o valor esperado de comissão por semana? (b) Qual é a probabilidade de ganhar pelo menos R$ 300,00 por semana? (c) Qual o desvio padrão das vendas semanais? x 0 1 2 3 4 p(x) 0,10 0,20 0,40 0,20 0,10 R$ 200,00 0,30 1,10 30 (a) E(X) = 0.0,10 + 1.0,20 + 2.0,40 + 3.0,20 + 4.0,10 = 2 vendas por semana. Logo, como ele recebe R$ 100,00 por venda a renda esperada semanal é: R$ 200,00. (b) Para ganhar pelo menos R$ 300,00 por semana ele deve realizar 3 ou 4 vendas por semana. Esta probabilidade é: P(X ≥ 3) = 0,20 + 0,10 = 0,30 = 30% (c) Deve-se inicialmente avaliar o valor da variância e para tanto calcula-se antes a média dos quadrados: E(X2) = 02.0,10 + 12.0,20 + 22.0,40 + 32.0,20 + 42.0,10 = 5,20. V(X) = E(X2) - µ2 = 5,20 - 22 = 5,20 - 4 = 1,20 O desvio padrão será: σ = = 1,10120, 31 VariVariááveis aleatveis aleatóórias contrias contíínuasnuas DefiniDefiniçção:ão: São contínuas todas as variáveis cujo espaço amostral SSXX é não enumernão enumeráávelvel. �������� Se X é uma variável aleatória contínua, X pode assumir qualquer valor num intervalo [a; b][a; b] ou no intervalo ((--∞∞∞∞∞∞∞∞;+;+∞∞∞∞∞∞∞∞)). �������� O espaço SSXX será sempre definido como um intervalo do conjunto dos reaisreais, sendo, portanto, um conjunto infinito. Exemplos:Exemplos: �������� tempo de vida de um animal �������� vida útil de um componente eletrônico �������� peso de uma pessoa �������� produção de leite de uma vaca �������� quantidade de chuva que ocorre numa região 32 1. Fun1. Funçção densidade de probabilidadeão densidade de probabilidade 1.1. f(x) ≥≥≥≥ 0, ∀∀∀∀ x∈∈∈∈SX DefiniDefiniçção:ão: Seja X uma variável aleatória contínua e SX o seu espaço amostral. Uma função ff associada a variável X é denominada funfunçção densidade de probabilidadeão densidade de probabilidade ((fdpfdp)) se satisfizer duas condições: 2.2. 1 f(x)dx XS ∫ = = P(X∈∈∈∈SX) Esta Esta áárea corresponde rea corresponde àà probabilidade de a probabilidade de a varivariáável vel XX pertencer ao pertencer ao espaespaçço amostral o amostral SSXX ÉÉ toda a funtoda a funçção que não assuma valores negativos, ou cujo grão que não assuma valores negativos, ou cujo grááfico fico esteja acima do eixo das abscissas, e cuja esteja acima do eixo das abscissas, e cuja áárea compreendida entre a rea compreendida entre a funfunçção e o eixo das abscissas seja igual a 1 (um).ão e o eixo das abscissas seja igual a 1 (um). 9 33 área = 1 área = 1 SX x f (x) 0 SX f (x) x0 34 Exemplo: Seja a função f (x) = 2x, no intervalo SX = [0,1]. Verifique se f (x) é uma função densidade de probabilidade. Primeira condiPrimeira condiçção:ão: f (x) ≥≥≥≥ 0, ∀∀∀∀ x∈∈∈∈SX f (x=0) = 2××××0 = 0 f (x) = 2x f (x=1) = 2××××1 = 2 x0 1 2 1 f (x) Todos os valores da funTodos os valores da funçção ão f (x) f (x) são são não negativos no intervalo de 0 a 1.não negativos no intervalo de 0 a 1. SX Como a função é linear, são necessários dois pontos para traçar a reta. Por conveniênciaesses pontos são os limites do intervalo SX. • • 35 1 f(x)dx XS ∫ =Segunda condiSegunda condiçção:ão: 1 2 21 2 hb = × = × A A áárea sob a funrea sob a funçção ão f (x) f (x) no no intervalointervalo SSXX, que equivale a , que equivale a P(XP(X∈∈∈∈∈∈∈∈SSXX)), , éé igual a 1.igual a 1. Área: A funA funçção ão ff (x) = 2x(x) = 2x, no intervalo , no intervalo SSXX =[0, 1] =[0, 1] éé uma funuma funçção ão densidade de probabilidade!!densidade de probabilidade!! 36 Seja A=[0, 1/2]. Qual é a probabilidade de ocorrer o evento A? Área: 4 1 2 11/2 2 hb = × = × A Probabilidade = área P(0 ≤ X ≤ 1/2) = 1/4 10 37 Importante!!!Importante!!! No caso de variáveis contínuas, as representações aa≤≤xx≤≤bb, aa≤≤xx<<bb, aa<<xx≤≤bb e aa<<xx<<bb são todas equivalentes, pois a probabilidade num ponto, por definição, é nula. ∫ ∫ =−=== A a a 0F(a)F(a)xf(x)d f(x)dx P(A) Seja o evento A={x; x=a}A={x; x=a}. Então, A 38 ∫ ∞− x f(t)dt 2. Função de distribuição ou probabilidade acumulada DefiniDefiniçção:ão: Seja X uma variável aleatória contínua e SX o seu espaço amostral. A função de distribuição, denotada por F(x)F(x) ou P(XP(X≤≤≤≤≤≤≤≤x)x), é a funfunçção que associa a cada ponto ão que associa a cada ponto xx∈∈∈∈∈∈∈∈SSXX a probabilidadea probabilidade P(XP(X≤≤≤≤≤≤≤≤x)x). Desta forma, tem-se F(x) = P(X ≤≤≤≤ x) = Se SX =[a, b], então F(a) = P(X ≤ a) = 0 F(b) = P(X ≤ b) = 1 , para SX = (-∞;+∞). 39 x F(x) f(t) dt −∞ = ∫ Exemplo: f (x) = 2x, SX =[0,1] 2xF(x) = x 0 2t dt = ∫ x2 0 t2 2 = 40 2xF(x) = Exemplo: f (x) = 2x, SX =[0,1] A=[0, 1/2] B=[1/2, 1] 111)P(XF(1) 2 ==≤= ( ) ( ) ( ) 1/41/21/2XP1/2F 2 ==≤= P(A) = F(1/2)=1/4 P(B) = F(1)-F(1/2) =1-1/4=3/4 11 41 ∫ XS f(x)dxx ∫ −=−== XS 222 f(x)dxµ)(xµ)E(XσV(X) Medidas descritivasMedidas descritivas DefiniDefiniçção:ão: Seja X uma variável aleatória contínua e SX o seu espaço amostral. O valor esperado de X, denotado por E(X)E(X) ou µµµµµµµµ , será dado por E(X) = µ = (Fórmula de definição) DefiniDefiniçção:ão: Seja X uma variável aleatória contínua e SX o seu espaço amostral. A variância de X, denotada por V(X)V(X) ou σσσσσσσσ22, será dada por 2 S 2222 µf(x)dxxµ)E(XσV(X) X − =−== ∫ (Fórmula prática) �������� MMéédia ou valor esperadodia ou valor esperado �������� VariânciaVariância 42 = µ = ∫ xS E(X) xf(x) dx = σ = −µ2 2 2V(X) E(X ) Exemplo: f (x) = 2x, SX =[0,1] = ∫ 1 0 x2x dx = ∫ 1 2 0 2x dx = ∫ 1 2 0 2 x dx = 13 0 x 2 3 = 2 3 = −µ ∫ 1 2 2 0 x 2x dx = − ∫ 21 3 0 2 2x dx 3 = − 14 0 x 4 2 4 9 = − 1 4 2 9 − = = 9 8 1 18 18 43 Exercício proposto: Determinar a média e a variância da vac cuja fdp é dada por: f(x) = 3x2 se -1 ≤ x ≤ 0 Solução: µ = E(X) σ2 = V(X) 0 1 x f(x) dx − = ∫ 0 2 1 x (3x ) dx − = ∫ 0 3 1 (3x ) dx − = ∫ 04 1 3 4 x − = 0 2 2 1 x f(x) dx µ − = −∫ ( )20 2 21 3x (3x ) dx 4−= − −∫ ( )0 41 93x dx 16−= −∫ ( ) 05 1 x 93 165 − = − µ = -3/4 e σ2 = 3/80 3 4= − 3 9 5 16 = − 3 80 =
Compartilhar