Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 11 VARIÁVEIS ALEATÓRIAS Profa. Marcela Moreira da Rocha Almeida ESTATÍSTICA Variáveis Aleatórias Distribuição de Probabilidade Variáveis aleatórias e distribuição de probabilidade Variável aleatória É uma variável (normalmente representada por X) que tem um único valor numérico, determinado por acaso, para cada resultado de um experimento É um gráfico, uma tabela ou fórmula que dá a probabilidade para cada valor da variável aleatória Distribuição de probabilidade Variáveis aleatórias e distribuição de probabilidade Variável aleatória Classificação Discreta Tem ou um no finito de valores, ou uma quantidade enumerável de valores, onde “enumerável” se refere ao fato de que podem existir infinitos valores, mas que podem ser associados a um processo de contagem Contínua Tem infinito valores , e esses valores podem ser associados com medidas em uma escala contínua, de modo que não há pulos ou interrupções Variáveis aleatórias e distribuição de probabilidade Exemplos Discreta Seja x o número de ovos que uma galinha põe em um dia VA discreta porque são possíveis apenas os valores 0, 1, 2, e assim por diante Contínua Seja x a quantidade de leite que uma vaca produz em um dia VA contínua porque pode assumir qualquer valor em um intervalo contínuo Durante um único dia, uma vaca pode produzir uma quantidade de leite que pode ser qualquer valor entre 0 e 5 litros. Seria possível obter 4,1234 litros, porque a vaca não é restrita a quantidades discretas de 0, 1, 2, 3, 4 ou 5 litros. Variáveis aleatórias e distribuição de probabilidade Exemplos: 1) Observar o sexo das crianças em famílias com três filhos. Ω={(MMM), (MMF), (MFM), (FMM), (MFF), (FMF), (FFM),(FFF)} Defina X: nº. de crianças do sexo masculino (M). Então X é uma v.a. discreta que assume valores no conjunto {0, 1, 2, 3}. 2) Observar o tempo de reação a um certo medicamento. Defina X: tempo de reação ao medicamento. X é uma v.a. contínua que assume qualquer valor real positivo. Variáveis aleatórias e distribuição de probabilidade S E1 E2 . . . X x1 x2 . . . Eventos Números Se definirmos X = = “no de caras”, quais os valores que X pode assumir? Exemplo: lançamento de 2 moedas Variável aleatória A cada evento do espaço amostral S associamos um valor na variável X variável aleatória X Variáveis aleatórias e distribuição de probabilidade S KC KK CK CC X 1 2 1 0 Experimento: lançar 2 moedas e observar o resultado (K=cara e C=coroa) A VA associa cada elemento de S a um n° real A cada resultado do experimento aleatório corresponderá apenas um único valor numérico da VA CK corresponde ao no 1 somente Entretanto, um valor numérico da VA poderá corresponder a um ou mais resultados de um experimento o no 1 corresponde a KC e CK Variáveis aleatórias e distribuição de probabilidade S KK KC CK CC X: número de caras em 2 lances de moeda 0 1 2 X = 0 CC X = 1 KC CK X = 2 KK imagem CK corresponde ao no 1 somente Entretanto , o no 1 corresponde a KC e CK Experimento: lançar 2 moedas e observar o resultado (K=cara e C=coroa) Variáveis aleatórias e distribuição de probabilidade S KC KK CK CC X=x 1 2 1 0 X=x P(X=x) 0 1/4 0,25 1 1/2 0,50 2 1/4 0,25 P(X=x) 0,50 0,25 0,50 0,25 Experimento: lançar 2 moedas e observar o resultado (K=cara e C=coroa) Passo seguinte associar a cada valor da VA a sua probabilidade distribuição de probabilidades Variáveis aleatórias e distribuição de probabilidade S KK KC CK CC X: número de caras em 2 lances de moeda 0 1 2 imagem 0,00 0,25 0,50 Imagem P(X) Experimento: lançar 2 moedas e observar o resultado (K=cara e C=coroa) Variáveis aleatórias e distribuição de probabilidade Experimento: lançar 2 moedas e observar o resultado (K=cara e C=coroa) P (X=x) = pX(x) função massa de probabilidades (FMP) e indica com que probabilidade a variável X assume o valor do argumento x P(X=1) = pX(1) = 50% Variáveis aleatórias e distribuição de probabilidade Experimento: lançar 2 moedas e observar o resultado (K=cara e C=coroa) Acumulando os valores de pX(x) função acumulada de probabilidades (FAP) ou função de distribuição acumulada (FDA) PX(1) = 75% Variáveis aleatórias e distribuição de probabilidade Requisitos para que uma função seja uma FMP 1) Podemos associar números a eventos de S VA 2) Para cada número podemos associar uma probabilidade tal que esta esteja entre zero e 1,0 3) Soma de todas as probabilidades é 1 ou 100% Variáveis aleatórias e distribuição de probabilidade f(x) = x/3 (onde x pode ser 0, 1 ou 2 aleatoriamente) determina uma distribuição de probabilidade? f(0) = 0/3 = 0,0 f(1) = 1/3 f(2) = 2/3 13 3 3 2 3 1 3 0 f(x) SIM Exercício 1 Variáveis aleatórias e distribuição de probabilidade Exemplo O Departamento de Estatística é formado por 35 professores, sendo 21 homens e 14 mulheres. Uma comissão de 3 professores será constituída sorteando, ao acaso, três membros do departamento. Qual é a probabilidade da comissão ser formada por pelo menos duas mulheres? Vamos definir a v.a. X: nº de mulheres na comissão Distribuição discreta de probabilidade Distribuição discreta de probabilidade Espaço amostral Probabilidade X HHH (21/35).(20/34).(19/33)=0,203 0 HHM (21/35).(20/34).(14/33)=0,150 1 HMH (21/35).(14/34).(20/33)=0,150 1 MHH (14/35).(21/34).(20/33)=0,150 1 HMM (21/35).(14/34).(13/33)=0,097 2 MHM (14/35).(21/34).(13/33)=0,097 2 MMH (14/35).(13/34).(21/33)=0,097 2 MMM (14/35).(13/34).(12/33)=0,056 3 x 0 1 2 3 P(X=x) 0,203 0,450 0,291 0,056 Assim, P(X≥2) = P(X=2) + P(X=3) = 0,291 + 0,056 = 0,347 Uma distribuição discreta de probabilidade de uma VA X é uma relação dos distintos valores x de X juntamente com as probabilidades associadas P(X=x) onde P (X=x) = pX(x) Para que uma função qualquer f(x) seja uma distribuição de probabilidade, é necessário que f(x) ≥ 0 ∑f(x) = 1 P(X=x) = f(x) Distribuição discreta de probabilidade Consideremos a soma dos pontos que aparecem na jogada de dois dados. Sabemos que os valores possíveis da soma X, com suas probabilidades associadas P(X = x) são: Exercício 2 x f(x) 2 3 1/36 4 5 2/36 3/36 4/36 6 7 5/36 8 9 6/36 5/36 4/36 10 11 12 3/36 2/36 1/36 Podemos calcular probabilidades do tipo P(X≤5);P(X>8);P(6 ≤X ≤8): 1 2 3 4 10 ( 5) 36 36 36 36 36 4 3 2 1 10 ( 8) ( 9) 36 36 36 36 36 5 6 5 16 (6 8) 36 36 36 36 P X P X P X P X f(2) + f(3) + f(4) + f(5) f(9) + f(10) + f(11) + f(12) f(6) + f(7) + f(8) FMP FAP Distribuição discreta de probabilidade Calculam-se várias probabilidades como combinações das funções FMP e FAP. No exemplo apresentado: ( 9) 1 ( 8) (6 8) ( 8) ( 6) ( 8) ( 5) P X P X P X P X P X P X P X Exercício 2 Distribuição discreta de probabilidade O Espaço amostral de um experimento aleatório é {a, b, c, d, e, f} e cada resultado é igualmente provável. Uma VA é definida como segue: Resultado a b c d e f x 0 0 1,5 1,52 3 Resposta: fX(0) = P(X=0) = 1/6 + 1/6 = 1/3 fX(1,5) = P(X=1,5) = 1/6 + 1/6 = 1/3 fX(2) = P(X=2) = 1/6 fX(3) = P(X=3) = 1/6 Determine a função de probabilidade de X Exercício 3 Distribuição discreta de probabilidade Use a função probabilidade do exemplo anterior para determinar as seguintes probabilidades: a) P(X = 1,5); b) P(0,5<X<2,7); c) P(X>3); d) P(0≤X<2); e) P(X = 0 ou X = 2). Resposta: a) P(X = 1,5) = 1/3 b) P(0,5<X<2,7) = P(X = 1,5) + P(X = 2) = 1/6 + 1/3 = 1/2 c) P(X>3) = 0 d) P(0≤X<2) = P(X = 0) + P(X = 1,5) = 1/3 + 1/3 = 2/3 e) P(X = 0 ou X = 2) = 1/3 + 1/6 = 1/2 Exercício 4 Distribuição discreta de probabilidade Gráficos como o apresentado abaixo são chamados histogramas de probabilidade Observe na figura que P(0≤X<2) = P(X = 0) + P(X = 1,5) = 1/3 + 1/3 = 2/3 Trata-se de uma soma de áreas. O que isto tem haver com integral? Veremos adiante... 11.2 Distribuição discreta de probabilidade Representação gráfica de uma distribuição de probabilidade 0,6561 0,2916 0,0486 0,0036 0,0001 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0 1 2 3 4 0 1 2 3 4 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 Pr ob ab ili da de (% ) X Exemplo: P(X = 0) = 0,6561 P(X = 1) = 0,2916 P(X = 2) = 0,0486 P(X = 3) = 0,0036 P(X = 4) = 0,0001 11.2 Distribuição discreta de probabilidade O espaço amostral de um experimento aleatório é {a, b, c, d, e, f} e cada resultado é igualmente provável. Uma variável aleatória é definida como se segue: Determine a função de probabilidade de X Resultado x a b c 0 1,5 1,5 d e 2 f 2 2 Exercício 5 fX(0) = P(X=0) = 1/6 fX(1,5) = P(X=1,5) = 1/6+1/6=1/3 fX(2) = P(X=2) = 1/6+1/6+1/6=1/2 11.2 Distribuição discreta de probabilidade a) P(X = 0) resultado x a b c 0 1,5 1,5 d e 2 f 2 2 b) P(0,7<X<1,7) c) P(0≤X<1,9) d) P(X = 0 ou X = 2) e) P(X = 3,5) f(0)=1/6 f(1,5)=1/3 f(2)=1/2 a) P(X = 0) = f(0) = 1/6 b) P(0,7<X<1,7) = P(X=1,5) = 1/3 Único valor no intervalo Considerando a função de probabilidade do caso anterior, determine as seguintes probabilidades: Exercício 6 11.2 Distribuição discreta de probabilidade Considerando a função de probabilidade do caso anterior, determine as seguintes probabilidades: a) P(X = 0) resultado x a b c 0 1,5 1,5 d e 2 f 2 2 b) P(0,7<X<1,7) c) P(0≤X<1,9) d) P(X = 0 ou X = 2) e) P(X = 3,5) f(0)=1/6 f(1,5)=1/3 f(2)=1/2 c) P(0≤X<1,9) = P(X=0)+ P(X=1,5) = 1/6 + 1/3 = 1/2 d) P(X = 0 ou X = 2) = P(X=0) + P(X=2) = 1/6 + 1/2 = 2/3 e) P(X=3,5) = 0 Exercício 6 11.2 Distribuição discreta de probabilidade Até agora, temos lidado com distribuições discretas de probabilidade → S tem nº finito ou infinito contável de pontos Se S contém um número infinito não-enumerável de pontos, temos de trabalhar com distribuições contínuas de probabilidade VA contínuas → Distribuições contínuas Como calcular probabilidades com Distribuições para VA contínuas? 11.3 Distribuição contínua de probabilidade 0 3 6 9 P (X = 3) = ? X = “Hora” ¼ ou 25% Imagine um relógio que somente marque algumas horas 11.3 Distribuição contínua de probabilidade E agora ? P (X = 3) = ? 1/8 ou 12,5% 0 2 3 6 4 9 8 10 Distribuição contínua de probabilidade 0 2 3 6 4 9 8 10 P (X = 3) = ? P (X = 3) 0 Agora imagine milhões de pontos! Distribuição contínua de probabilidade Refazendo a pergunta: Relógio Real P (0 < X < 3) = ? ¼ ou 25% P (3 < X < 9) = ? ½ ou 50% Distribuição contínua de probabilidade FIZEMOS O CÁLCULO OBSERVANDO A ÁREA! É ASSIM QUE FUNCIONA COM DISTRIBUIÇÕES CONTÍNUAS VA discretas atribuímos uma probabilidade a um determinado valor da variável VA contínuas podem assumir infinitos valores em um intervalo pensamos na probabilidade de ocorrência associada a um intervalo Distribuição contínua de probabilidade Nomenclatura Distribuições de probabilidades distribuições discretas FMP P(X=x) = pX(x) distribuições contínuas função densidade de probabilidade (FDP) também fX(x) FDP FAP Distribuição contínua de probabilidade 0 5 10 15 20 25 30 35 40 1,45 1,50 1,55 1,60 1,65 1,70 1,75 1,80 1,85 1,90 1,95 2,00 Altura dos alunos (m) Todos os dados Quase 50% dos dados Quase 25% dos dados Quase 10% dos dados Polígonos de frequências relativas de alturas de alunos: todos 87 /// Os polígonos convergem para alguma curva? Distribuição contínua de probabilidade 0 5 10 15 20 25 30 35 40 1,45 1,50 1,55 1,60 1,65 1,70 1,75 1,80 1,85 1,90 1,95 2,00 Altura dos alunos (m) Todos os dados Quase 50% dos dados Quase 25% dos dados Quase 10% dos dados Polígonos de frequências relativas de alturas de alunos: todos 87 Os polígonos convergem para alguma curva? Será que para uma função? Se afirmativo, esta função representa o quê? Será que representa a população de onde os 87 dados foram retirados? Os valores das abscissas vêm de algum espaço amostral? Distribuição contínua de probabilidade FDP caso limite de um polígono de frequências para uma amostra de tamanho infinito e, portanto, com as larguras dos intervalos de classe tendendo a zero A área (isto é, a integral) sob a função de densidade de probabilidade em um determinado intervalo fornece a probabilidade de ocorrência de um valor dentro desse intervalo X fX(x) a b P(a < X < b) Distribuição contínua de probabilidade A FDP é uma função que satisfaz: ( ) 0f x ( ) ( ) b a P a X b f x dx ( ) 1f x dx a) b) c) Área sob a curva f(x) de a a b para quaisquer a e b FDP não fornece a prob. de X para o argumento x fornece a intensidade com que a probabilidade de não superação de x é alterada na vizinhança de x FDP FAP Distribuição contínua de probabilidade Da definição de densidade, segue que, para uma VA contínua, a probabilidade de um único ponto é zero, isto é: P(X = a) = 0 para qualquer número a X f(x) a b P(a < X < b) Distribuição contínua de probabilidade 1 3 2 1 0 0 1 3 3 3 cx c cx dx c Seja X uma variável aleatória contínua com espaço E = {x: 0 < x < 1}. Seja f(x) = cx2 para todo x ∈ E, onde c é uma constante a determinar. Qual o valor de c para que f(x) seja uma função de densidade de probabilidade? Logo c = 3 é a constante necessária para fazer de f(x) uma densidade em E, isto é, para fazer com que a densidade integre a um no intervalo (0,1) Exercício 7 Distribuição contínua de probabilidade Faça a variável aleatória contínua X denotar a corrente em um fio delgado de cobre, medida em miliampéres. Suponha que a faixa de X seja [0, 20] e considere que a função densidade de probabilidade de X seja f(x) = 0,05 para 0 ≤ x ≤ 20. Qual é a probabilidade de que uma medida de corrente seja menor que 10 miliampéres? Qual é a probabilidade de uma medida de corrente ficar entre 5 e 15 {P(5<X<15)}? f(x) = 0,05 0,05 0 20 x f(x) 10 5 15 50,0)010(05,0dx05,0dx)x(f)10X(P 10 0 10 0 50,0)515(05,0dx05,0dx)x(f)15X5(P 15 5 15 5 Exercício 8 Distribuição contínua de probabilidade Faça a variável aleatória contínua X denotar o diâmetro de um orifício perfurado em uma placa com um componente metálico. O diâmetro que se quer atingir, o chamado diâmetro alvo, é 12,5 milímetros. A maioria dos distúrbios aleatórios no processo resulta em diâmetro maiores. Dados históricos mostram que a distribuição de X pode ser modelada por uma função densidade de probabilidade f(x) = 20 e-20(x-12,5), x ≥ 12,5. Se uma peça com diâmetro maior que 12,60 milímetros for descartada, qual será a proporção de peças descartadas? A função densidade e a probabilidade requerida são mostradas na figura abaixo. Uma peça é descartada se X > 12,60. x f(x) 12,5 12,6 Exercício 9 Distribuição contínua de probabilidade 135,0edxe20dx)x(f)60,12X(P 6,126,12 6,12 )5,12x(20)5,12x(20 865,0edxe20dx)x(f)60,12X5,12(P 6,12 5,12 6,12 5,12 6,12 5,12 )5,12x(20)5,12x(20 865,0135,01)6,12X(P1)6,12X5,12(P x f(x) 12,5 12,6 Exercício 9 Distribuição contínua de probabilidade FAP Analogamente ao caso discreto, a função acumulada de probabilidades de uma VA contínua X, aqui representada por FX(x), fornece a prob. de não superação do argumento x P (X ≤ x) ou P(X < x) FDP FAP x XX (x)dxf(x)F dx (x)dF (x)f XX Distribuição contínua de probabilidade A função densidade de probabilidade de uma variável contínua X pode ter uma grande variedade de formas Distribuição contínua de probabilidade Valor esperado de uma variável aleatória • O valor esperado (ou esperança matemática ou valor médio) tem haver com a tendência central dos valores. • Dada uma variável aleatória discreta X, assumindo os valores x1, x2,..., xn, o valor esperado, a esperança matemática de X, denotado por E(X) é definida por: se ∑ xi.p(xi) < ∞ (se a série convergir) Notação: E(X) = µ Variáveis aleatórias e distribuição de probabilidade Valor esperado de uma variável aleatória Exemplo • Considere a variável aleatória discreta X: • Temos que: Variáveis aleatórias e distribuição de probabilidade xi 0 1 2 p(xi) 1/4 1/2 1/4 Valor esperado de uma variável aleatória Exemplo Variáveis aleatórias e distribuição de probabilidade Valor esperado de uma variável aleatória Exemplo Variáveis aleatórias e distribuição de probabilidade Valor esperado de uma variável aleatória Exemplo Variáveis aleatórias e distribuição de probabilidade Valor esperado de uma variável aleatória Exemplo Variáveis aleatórias e distribuição de probabilidade Valor esperado de uma variável aleatória Exemplo Variáveis aleatórias e distribuição de probabilidade Valor esperado de uma variável aleatória • Seja X uma variável aleatória contínua com FDP f(x). O valor esperado ou esperança matemática de X é definido como: se, e somente se, Notação: E(X) = µ Variáveis aleatórias e distribuição de probabilidade Valor esperado de uma variável aleatória Exemplo • Considere a seguinte FDP: • Temos que: Variáveis aleatórias e distribuição de probabilidade Propriedades da esperança 1) A média de uma constante é a própria constante. 2) Multiplicando-se uma variável aleatória X por uma constante, sua média fica multiplicada por essa constante. Variáveis aleatórias e distribuição de probabilidade Propriedades da esperança 3) A média da soma ou da diferença de duas variáveis aleatórias é, respectivamente, a soma ou diferença das médias. Variáveis aleatórias e distribuição de probabilidade
Compartilhar