Baixe o app para aproveitar ainda mais
Prévia do material em texto
Prof. Afonso S Variável Aleatória Espaço Amostral R X s X (S) S Variável Aleatória CC CK KC KK Espaço Amostral R 0 1 2 X VARIÁVEIS ALEATÓRIAS Podemos considerar funções que associam números reais aos eventos de um espaço amostral. Tais funções são chamadas de “variáveis aleatórias”. X Definição: Variáveis Aleatórias são funções cujos valores são obtidos por um experimento aleatório e aos quais podemos associar probabilidades. Classificação das Variáveis Aleatórias: a) Discretas (VAD): Assume valores que podem ser contados. b) Contínuas (VAC): Assume valores que podem ser medidos. DISTRIBUIÇÃO DE PROBABILIDADE Definição: Distribuição de probabilidade é uma distribuição de freqüências relativas para os resultados de um espaço amostral; mostra a proporção de vezes em que a variável aleatória tende a assumir cada um dos diversos valores. a) Distribuição de Probabilidade Discreta Seja X uma VAD. A função de probabilidade de X é uma função f(x) que associa a sua probabilidade f(x) = P(X = x) e tem as seguintes propriedades: Exemplo: Se o experimento consistir em jogar uma moeda duas vezes e definirmos: X = o número de “caras” obtidas. Determinar a função de probabilidade. b) Distribuição de Probabilidade Contínua Seja X uma VAC. A função densidade de probabilidade de X é uma função f(x) tal que tem as seguintes propriedades: Exemplo: Se o experimento consiste em verificar as vendas de carne em toneladas de um supermercado que segue uma função dada por: Determinar k de modo que seja uma função densidade de probabilidade. Qual a probabilidade das vendas compreenderem entre 1 e 2 toneladas? X 0 1 2 P(x) 1/4 1/2 1/4 ∫∫ ≤≤==≥ +∞ ∞ b a- b)xP(a dx f(x) ) dx )x(f 2) 0f(x) 1) 31 1f(x) 2) 0f(x) 1) =Σ ≥ << = contrário caso em 3x0 x.k )x(f 0 2 9 1 3 27 3 3 3 0 3 3 0 2 199 33 =⇒=⇒====∫ kkkdxkx k)(kkx % ,dxx)X(P Xx 2626021 27 1 27 8 27 1 27 2 2 1 27 2 1 39 1 2 1 2 9 1 3333 ==−=−==⋅==<< ∫ Prof. Afonso VARIÁVEIS ALEATÓRIAS Definiremos a seguir alguns parâmetros que contribuem para caracterizar a distribuição de probabilidade. PARÂMETROS PARA VARIÁVEL ALEATÓRIA DISCRETA - VAD 1) Média, ou Valor Esperado, ou Expectância, ou Esperança Matemática A média é um parâmetro de posição e usada para a caracterização do centro da distribuição. Indica qual seria a média de valores da variável aleatória obtidos a longo prazo. Será denotada por: 2) Variância e Desvio-Padrão Esses parâmetros caracterizam a variabilidade das variáveis aleatórias. a) Variância b) Desvio-Padrão Exemplo: As probabilidades de um investidor vender uma propriedade com lucro de US$ 2.500, de US$ 1.500, de US$ 500 ou com prejuízo de US$ 500 são 22%, 36%, 28% e 14% respectivamente. Qual o lucro esperado do investidor? E sua variabilidade. PARÂMETROS PARA VARIÁVEL ALEATÓRIA CONTÍNUA - VAC 1) Média, ou Valor Esperado, ou Expectância, ou Esperança Matemática 2) Variância e Desvio-Padrão c) Variância d) Desvio-Padrão Exemplo: Os serviços de recuperação de uma placa de computador por uma assistência técnica empresa é dada pela função abaixo. Qual o tempo esperado e sua variabilidade. <<− = contrário caso em hora 1x0 xx )x(f 0 66 2 )x(px)x(E ⋅∑==µ ( ) [ ] )x(px)E(x :que sendo ) x E( )x (Ex VAR 2 ⋅∑=−== 2222δ 22 )]x(E[)x(E)x(VAR −==δ 935 $US.)x(VAR .].[..)x(VAR ..,)(,)(,)(,)()x(E )x(px)x(E 1.160 $US),(),(),(),()x(E === =−== =⋅−⋅+⋅+⋅= ⋅∑= =⋅−⋅+⋅+⋅== 400874 40087416010002202 000220214050028050036015002202500 14050028050036015002202500 22 22222 22 δ δ µ dx f(x)x)x(E - ∫ +∞ ∞ ⋅==µ 22 )]x(E[)x(E)x(VAR −==δ dx f(x)x)E(x :que sendo )]x(E[)x(E)x(VAR - 22 ∫ +∞ ∞ ⋅=−== 222δ min 30 h ,,)x(E dxxdxxdxxxdx xx)x(E )()(xx ==−=−=−= −=⋅−⋅== ∫ ∫∫ ∫ 50512 0 1 0 1 6666 4 16 3 16 4 6 3 6 1 0 1 0 32 1 0 2 1 0 4343 µ min ,,,],[,)x(VAR 0,3)x(E dxxdxxdxxxdx xx)x(E 2 )()(xx 132200500505030 0 1 0 1 6666 2 5 16 4 16 5 6 4 62 1 0 1 0 43 1 0 2 1 0 222 5454 ===⇒=−== =−=−= −=⋅−⋅= ∫ ∫∫ ∫ δδ Prof. Afonso R R S Variáveis Aleatórias Espaço Amostral X s X (S) Y (S) Y VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Os espaços amostrais estudados até agora correspondem a experiências em que estamos interessados em apenas uma característica de uma população e, por isso, designados de espaços amostrais unidimensionais, sendo registradas as observações relativas a uma variável aleatória. Isto é, o resultado do experimento seria registrado como um único número X. Noutras situações, no entanto, estamos interessados em observar duas características simultaneamente X e Y. Definição: Sejam X = X(S) e Y = Y(S) duas funções, cada uma associando um número real a cada resultado (s) do espaço amostral S, denomina-se (X,Y) uma variável aleatória bidimensional ou vetor aleatório. Tal como a variável aleatória unidimensional, os vetores aleatórios (X,Y) podem ser Discretos (se todos os componentes dos vetores forem discretos) ou Contínuos (se todos os componentes dos vetores forem contínuos). DISTRIBUIÇÃO DE PROBABILIDADE CONJUNTA 1. Distribuição de Probabilidade Conjunta Discreta Definição: Seja (X,Y) uma variável aleatória bidimensional discreta. A função de probabilidade conjunta de (X,Y) é uma função f (x,y) = P (X = x ; Y = y) e tem as seguintes propriedades: ∑ ∑ = ≥ x y 1 y)(x, f b) 0 y)(x, f )a Como no caso da variável aleatória discreta unidimensional, a distribuição conjunta poderá ser representada por uma tabela, gráfico ou fórmula. A distribuição de probabilidade conjunta discreta é representada por uma tabela chamada de Tabela de Contingência. 2. Distribuição de Probabilidade Conjunta Contínua Definição: Seja (X,Y) uma variável aleatória bidimensional contínua. A função densidade de probabilidade conjunta de (X,Y) é uma função f (x,y) = P (X ≤ x ; Y ≤ y) e tem as seguintes propriedades: ∫ ∫ ∞+ ∞ ∞+ ∞ = ≥ - - 1 dy dx y)(x, f b) 0 y)(x, f )a Como no caso da variável aleatória contínua unidimensional, a distribuição conjunta de probabilidade conjunta contínua poderá ter representação gráfica espacial ou fórmula. Prof. Afonso Exemplo de Distribuição de Probabilidade Conjunta Discreta: Duas linhas de produção fabricam um tipo de motor. Seja: X = número de motores produzidos pela linha I Y = número de motores produzidos pela linha II A função de probabilidade conjunta de X e Y é dada a seguir: a) Determine o valor da constante c .b) Qual a probabilidade da fábrica produzir dois motores pela linha I e um motor pela linha II? Ou seja, qual a P (X = 2 ; Y = 1) ? c) Qual a probabilidade da fábrica produzir um motor ou mais pela linha I e dois motores ou menos pela linha II? Ou seja, qual a P (X ≥ 1 ; Y ≤ 2) ? Solução: P(X=0;Y=0)= c . (2 . 0 + 0) = 0 P(X=0;Y=1)= c . (2 . 0 + 1) = c P(X=0;Y=2)= c . (2 . 0 + 2) = 2c P(X=0;Y=3)= c . (2 . 0 + 3) = 3c P(X=1;Y=0)= c . (2 . 1 + 0) = 2c P(X=1;Y=1)= c . (2 . 1 + 1) = 3c P(X=1;Y=2)= c . (2 . 1 + 2) = 4c P(X=1;Y=3)= c . (2 . 1 + 3) = 5c P(X=2;Y=0)= c . (2 . 2 + 0) = 4c P(X=2;Y=1)= c . (2 . 2 + 1) = 5c P(X=2;Y=2)= c . (2 . 2 + 2) = 6c P(X=2;Y=3)= c . (2 . 2 + 3) = 7c Y X 0 1 2 3 Total 0 0 c 2c 3c 6c 1 2c 3c 4c 5c 14c 2 4c 5c 6c 7c 22c Total 6c 9c 12c 15c 42c a) Como o total geral, 42c deve ser igual a 1, temos: 7 4 42 1 42 1 === +++++==≤≥ ==== = = = ∑ ∑ ∑ ∑ ≥ ≤ 42 24 24c 6c)5c(4c4c)3c(2c y)(x, f 2) Y; 1P(X )c 42 5 5c 1) Y; 2P(X )b c 1 c 1 y)(x, f x 2 y x y ==+⋅ = casos outros os todos em 0 0,1,2,3 Y e 0,1,2 X onde )yx(c )x(f 2 Prof. Afonso Exemplo de Distribuição de Probabilidade Conjunta Contínua: Um supermercado vende dois tipos de carne. Seja: X = carne bovina (toneladas/mês) Y = carne suína (toneladas/mês) A função de probabilidade conjunta de X e Y é dada a seguir: a) Determine o valor da constante c . b) Qual a probabilidade do supermercado vender entre 1 e 2 toneladas/mês de carne bovina e entre 2 e 3 toneladas/mês de carne suína? Ou seja, qual a P ( 1 < X < 2 ; 2 < Y < 3) ? c) Qual a probabilidade do supermercado vender 3 ou mais toneladas/mês de carne bovina e 2 ou menos toneladas/mês de carne suína? Ou seja, qual a P (X ≥ 3 ; Y ≤ 2) ? Solução: a) Devemos ter a probabilidade igual a 1, isto é: b) P ( 1 < X < 2 ; 2 < Y < 3) = 128 5 384 15 2 3 2 1 2 4 1 2 2 2 5 2 5 2 4 2 9 2 3 2 2 2 1 2 1 2 1 22 1 2 1 3 2 2 1 3 2 == = −= = = ⋅== −= = = = == ∫∫∫ ∫∫ ∫ ∫ ∫ === == = = = 192 5 192 5 x x 192 5 dx x 96 1 dx x 96 1 dx xx 96 1 dx y xy 96 1 dx dy xy 96 1 dy dx 96 xy xxx xx y x y c) P (X ≥ 3 ; Y ≤ 2) = 128 7 384 21 2 7 2 9 2 16 3 4 2 2 3 2 3 22 4 1 2 2 2 2 1 4 3 4 3 24 3 4 3 2 1 4 3 2 1 == = −= = = ⋅== −= = = = == ∫∫∫ ∫∫ ∫ ∫ ∫ === == = = = 192 3 192 3 x x 192 3 dx x 96 1 dx x 96 1 dx xx 96 1 dx y xy 96 1 dx dy xy 96 1 dy dx 96 xy xxx xx y x y <<<<⋅⋅ = contrário caso em 0 5) y (1 e 4) x (0 yxc )x(f 96 1 c 1 96c x ) (6x c. x 2 12x c dx 12x c dx 2 24x c dx x 2 25x c dx y 2 xy c dx dy xy c dy dx y xc 1 dy dx y)(x, f 2 4 0x 2 xxx 2 x y x y- - =⇒== = = = == == −= = = =⋅⋅⇒= ∫ ∫∫∫ ∫ ∫ ∫ ∫∫ ∫ = === = = = = +∞ ∞ +∞ ∞ 0 4 0 4 2 1 5 4 0 4 0 4 0 4 0 5 1 4 0 5 1 Prof. Afonso VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Definiremos a seguir alguns parâmetros que contribuem para caracterizar a distribuição de probabilidade conjunta. PARÂMETROS PARA VARIÁVEL ALEATÓRIA DISCRETA – VAD A) MÉDIAS: B) VARIÂNCIAS E COVARIÃNCIA: C) DESVIOS-PADRÕES: D) COEFICIENTE DE CORRELAÇÃO: (associação linear entre duas variáveis) PARÂMETROS PARA VARIÁVEL ALEATÓRIA CONTÍNUA – VAC A) MÉDIAS: B) VARIÃNCIAS E COVARIÃNCIA: C) DESVIOS-PADRÕES D) COEFICIENTE DE CORRELAÇÃO: (associação linear entre duas variáveis) )y,x(fy.x )XY(E conjunta Média )y,x(f y)Y(E Yde Média )y,x(fy )Y(E Yde Média )y,x(f x)X(EX de Média )y,x(fx )X(EX de Média 22 22 ⋅⋅∑∑=⇒ ⋅∑∑=⇒ ⋅∑∑=⇒ ⋅∑∑=⇒ ⋅∑∑=⇒ 2 2 [ ] [ ] )Y(E)X(E)XY(E)XY(COV acovariãnci ou conjunta Variância )Y(E)Y(E)Y(VAR Yde Variância )X(E)X(E)X(VARX de Variância ⋅−=⇒ −=⇒ −=⇒ 22 22 YX XY )XY(COV δδ ρ ⋅ = )Y(VAR Yde padrão-Desvio )X(VARX de padrão-Desvio Y X =⇒ =⇒ δ δ Y)e X entre efeito e causa de correlação há (não espúria1- (XY) Y)e X entre efeito e causa de correlação há (não espúria1 )XY( perfeita forma a excluida cresce) Y e cresce (X positica1 (XY) 0 perfeita forma a excluida decresce) Y e cresce (X negativa 0 (XY) cresce) Y e cresce (X positiva perfeita 1(XY) decresce) Y e cresce (X negativa perfeita )XY( ⇒< ⇒+> ⇒<< ⇒<<− ⇒+= ⇒−= ρ ρ ρ ρ ρ ρ 1 1 ∫ ∫ ∫ ∫∫ ∫ ∫ ∫∫ ∫ ∞+ ∞+ ∞+ ∞+∞+ ∞+ +∞ +∞+∞ +∞ ⋅⋅=⇒ ⋅=⋅=⇒ ⋅=⋅=⇒ X Y X Y 22 X Y 2 X Y 2 X Y 2 dy dx y)(x, fy x E(XY) conjunta Média dy dx y)(x, f y )E(Y e dy dx y)(x, f y E(Y) Ye Y de Média dy dx y)(x, f x )X(E e dy dx y)(x, f x E(X)X e X de Média 2 [ ] [ ] )Y(E)X(E)XY(E)XY(COV acovariãnci ou conjunta Variância )Y(E)Y(E)Y(VAR Yde Variância )X(E)X(E)X(VARX de Variância ⋅−=⇒ −=⇒ −=⇒ 22 22 )Y(VAR Yde padrão-Desvio )X(VARX de padrão-Desvio Y X =⇒ =⇒ δ δ YX XY )XY(COV δδ ρ ⋅ = Y)e X entre efeito e causa de correlação há (não espúria1- (XY) Y)e X entre efeito e causa de correlação há (não espúria1 )XY( perfeita forma a excluida cresce) Y e cresce (X positica1 (XY) 0 perfeita forma a excluida decresce) Y e cresce (X negativa 0 (XY) cresce) Y e cresce (X positiva perfeita 1(XY) decresce) Y e cresce (X negativa perfeita )XY( ⇒< ⇒+> ⇒<< ⇒<<− ⇒+= ⇒−= ρ ρ ρ ρ ρ ρ 1 1 Prof. Afonso Exemplo usando os principais parâmetros para VAD conjunta: Um agente imobiliário analisa a relação entre as variáveis relativas à venda de um apartamento: X = número de pedidos de esclarecimentos resultante do anúncio no jornal Y = número de linhas do anúncio no jornal O agente imobiliárioestimou a seguinte probabilidade conjunta: X Y Pouco interesse 0 Algum interesse 1 Muito interesse 2 P(Y) 3 9% 14% 7% 30% 4 7% 23% 16% 46% 5 3% 10% 11% 24% P(X) 19% 47% 34% 100% Calcule os principais parâmetros. Solução: XY 0 3 4 5 6 8 10 P(XY) 19% 14% 23% 10% 7% 16% 11% 644 11010160807061005230414031900 0616240546043003 943240546043003 831340247011900 1513402470 2222 2 2222 2 ,)XY(E ),(),(),(),(),(),.(),.()XY(E )y,x(fy.x )XY(E conjunta Média ,),(),(),()Y(E )y,x(f y)Y(E Yde Média ,),(),(),()Y(E )y,x(fy )Y(E Yde Média ,),(),(),()X(E )y,x(f x)X(EX de Média ,),(),(1(0,19)0E(X) )y,x(fx )X(EX de Média 22 22 = ⋅+⋅+⋅+⋅+⋅++= ⋅⋅∑∑=⇒ =⋅+⋅+⋅= ⋅∑∑=⇒ =⋅+⋅+⋅= ⋅∑∑=⇒ =⋅+⋅+⋅= ⋅∑∑=⇒ =⋅+⋅+⋅= ⋅∑∑=⇒ [ ] [ ] [ ] [ ] 110943151644 5409430616 510151831 2 22 2 22 ,),(),(,)XY(COV )Y(E)X(E)XY(E)XY(COV acovariãnci ou conjunta Variância ,,,)Y(VAR )Y(E)Y(E)Y(VAR Yde Variância ,,,)X(VAR )X(E)X(E)X(VARX de Variância =⋅−= ⋅−=⇒ =−= −=⇒ =−= −=⇒ 730540 710510 ,, )Y(VAR Yde padrão-Desvio ,, )X(VARX de padrão-Desvio Y Y X X == =⇒ == =⇒ δ δ δ δ jornal. neste anunciadas linhas de número o aumenta quando oapartament do venda a sobre jornal no anúncio do entoesclarecim de pedidos de número o aumenta :çãoInterpreta positiva correlação 1 , ),(),( , )XY(COV correlação de eCoeficient XY XY YX XY ⇒<< += ⋅ = ⋅ =⇒ ρ ρ δδ ρ 0 210 730710 110 Prof. Afonso Exemplo usando os principais parâmetros para VAC conjunta: Uma distribuidora vende dois tipos de bebidas ao mesmo preço promocional: X = vinho importado (garrafas de 750 ml) Y = cerveja nacional (garrafas de 750 ml) A função de probabilidade conjunta de X e Y é dada a seguir: Calcule os principais parâmetros: Solução: <<<<+⋅ = contrário caso em 0 5) y (0 e 6) x (2 )yx( )x(f 2 210 1 1392 722 36192 342 6 2 5 0 6 2 5 0 6 2 5 0 2 6 2 5 0 ,dy dx )yx( 210 1 y )E(Y dy dx y)(x, f y E(Y) Yde Média ,dy dx )yx( 210 1 y E(Y) dy dx y)(x, f y E(Y) Y de Média ,dy dx )yx( 210 1 x )E(X dy dx y)(x, f x )X(EX de Média ,dy dx )yx( 210 1 x E(X) dy dx y)(x, f x E(X) X de Média X Y 22 X Y 22 X Y X Y X Y 22 X Y 22 X Y X Y = +⋅⋅= ⋅=⇒ = +⋅⋅= ⋅=⇒ = +⋅⋅= ⋅=⇒ = +⋅⋅= ⋅=⇒ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ ∫ = = ∞+ ∞+ = = ∞+ ∞+ = = ∞+ ∞+ = = +∞ +∞ 43112 6 2 5 0 ,dy dx )yx( 210 1 y x E(XY) dy dx y)(x, f y x E(XY)conjunta Média X Y X Y = +⋅⋅⋅= ⋅=⇒ ∫ ∫ ∫ ∫ = = +∞ +∞ [ ] [ ] [ ] [ ] 21072344311 84172139 910343619 2 22 2 22 ,),(),(,)XY(COV )Y(E)X(E)XY(E)XY(COV acovariãnci ou conjunta Variância ,,,)Y(VAR )Y(E)Y(E)Y(VAR Yde Variância ,,,)X(VAR )X(E)X(E)X(VARX de Variância −=⋅−= ⋅−=⇒ =−= −=⇒ =−= −=⇒ 361841 950910 ,,)Y(VAR Yde padrão-Desvio ,,)X(VARX de padrão-Desvio YY XX ==⇒=⇒ ==⇒=⇒ δδ δδ s.equiparado estiverem preços os quando diminui nacional cerveja de venda a e aumenta importado vinho de venda a :çãoInterpreta negativa correlação 0 1- , ),(),( , )XY(COV correlação de eCoeficient XY XY YX XY ⇒<< −= ⋅ − = ⋅ =⇒ ρ ρ δδ ρ 160 361950 210
Compartilhar