Baixe o app para aproveitar ainda mais
Prévia do material em texto
Probabilidade e Est´ıstica II/ Engenharia de Produc¸a˜o Prof(a): Cleide Mayra Vetor de Varia´veis Aleato´rias 1 Independeˆncia de Varia´veis aleato´rias Discretas e Cont´ınuas 1.1 Definic¸a˜o: Seja (X, Y ) um vetor aleato´rio discreto com distribuic¸a˜o conjunta p(x, y) = P (X = x, Y = y). Dizemos que X e Y sa˜o independentes se e somente se P (X = x, Y = y) = P (X = x)P (Y = y),∀x, y ou seja, a distribuic¸a˜o conjunta e´ p produto das distribuic¸o˜es marginais. Exemplo: Consideremos, por exemplo, um estudo da composic¸a˜o de famı´lias com 3 filhos quanto ao sexo das crianc¸as. Podemos definir as seguintes varia´veis: X = nu´mero de meninos Y = 1 se o primeiro filho for homem0 se o primeiro filho for mulher (1) Z=Nu´mero de vezes em que houve variac¸a˜o do sexo entre um nascimento e outro, dentro da mesma famı´lia. Com essas informac¸o˜es, e supondo que as poss´ıveis composic¸o˜es tenham a mesma probabilidade, verificar se as varia´veis aleato´rias (X, Y ), (X,Z) e (Y, Z) sa˜o independentes. 1.2 Definic¸a˜o: Seja (X, Y ) um vetor aleato´rio bidimensional com func¸a˜o de densidade conjunta f(x, y). Sejam fX(x) e fY (y) as densidades marginais de X e Y , respectivamente. Enta˜o, diz-se que X e Y sa˜o varia´veis aleato´rias independentes se f(x, y) = fX(x)fY (y) 1 ou seja, a densidade conjunta tem que ser o produto das densidades marginais para todo par (x, y) no domı´nio de definic¸a˜o. Exemplo: Se a func¸a˜o de densidade conjunta de X e Y for dada por: f(x, y) = e−x−y, x > 0, y > 0 Verificar se X e Y sa˜o varia´veis aleato´rias independentes. 2 Caracter´ısticas nume´ricas de uma varia´vel aleato´ria ou de um vetor aleato´rio A uma varia´vel aleato´ria quer no caso unidimensional, quer multidimen- sional podemos associar caracter´ısticas nume´ricas (paraˆmetros) que nos da˜o informa˜c¸a˜o sobre a varia´vel. 2.1 Esperanc¸a Matema´tica ou Valor Me´dio 1. Dada uma v.a. X chama-se valor me´dio, esperanc¸a matema´tica, valor esperado ou me´dia e representa-se por E[X], µX ou simplesmente µ a quantidade assim definida: E[X] = ∑n i=1 xipX(xi) seX v.a discreta com distribuic¸a˜o (xi, pX(xi)), i = 1, . . . , n ou E[X] = ∫∞ −∞ xfX(x)dx se X v.a cont´ınua com densidade fX(x). 2. Se X e´ uma v.a. e Y = ϕ(X) e´ uma func¸a˜o real de varia´vel real, tem-se: E[ϕ(X)] = ∑n i=1 ϕ(xi)pX(xi) seX v.a discreta com distribuic¸a˜o (xi, pX(xi)), i = 1, . . . , n ou E[ϕ(X)] = ∫∞ −∞ ϕ(x)fX(x)dx se X v.a cont´ınua com densidade fX(x). 3. Sendo (X, Y ) um par aleato´rio e g(X, Y ) uma func¸a˜o real de (X, Y ). Define-se 2 E[g(X, Y )] = ∑n i=1 ∑n j=1 g(xi, yj)pX,Y (xi, yj), no caso discreto ou E[g(X, Y )] = ∫∞ −∞ ∫∞ −∞ g(x, y)fX,Y (x, y)dxdy, caso cont´ınuo. 4. A esperanc¸a condicional de Y , dao que X = x e´ definida por: E[Y |X = x] = ∑y ypY |X(y|X = i) ou E[Y |X = x] = ∫∞−∞ yfY |X(y|x)dy 2.1.1 Propriedades 1. Linearidade • E[a] = a • Se Y = aX + b, onde a e b sa˜o constantes, enta˜o E(Y ) = E[aX + b] = aE(X) + b. • E[ϕ(X) + ψ(X)] = E[ϕ(X)] + E[ψ(X)] 2. Aditividade: Se X1, . . . , Xn sa˜o n varia´veis aleato´rias tal que a es- peranc¸a E(Xi) existe (i=1,. . . ,n), enta˜o E[X1 ± X2±, . . . ,±Xn] = E[X1]±, . . . , E[Xn]. 3. Se X1, . . . , Xn sa˜o varia´veis aleato´rias independentes, tal que a es- peranc¸a E(Xi) existe (i=1,. . . ,n), enta˜o: E( ∏n i=1Xi) = ∏n i=1E[Xi]. observac¸a˜o: O rec´ıproco na˜o e´ verdadeiro. 2.2 Variaˆncia Suponha que X e´ uma varia´vel aleato´ria com me´dia µ = E(X). A variaˆncia, denotada por V [X], σ2X ou simplesmente σ 2 e e´ assim definida: V [X] = E[(X − µ)2] = E[X2] − µ2 e σX = √ V [X] chama-se desvio padra˜o. 3 2.2.1 Propriedades (a) V [X] ≥ 0; (b) V (aX + b) = a2V (X); (c) SeX1, . . . , Xn sa˜o varia´veis aleato´rias independentes, enta˜o: V (X1+ . . .+Xn) = V (X1) + . . .+ V (Xn). 2.3 Covariaˆncia e Coeficiente de Correlac¸a˜o Definic¸a˜o: Seja (X, Y ) uma varia´vel aleato´ria bidimensional. A co- variaˆncia de X e Y que denotaremos Cov(X, Y ) e´ definida por: Cov(X, Y ) = E[(X − E(X))(Y − E(Y ))] ou Cov(X, Y ) = E(XY )− E(X)E(Y ) Lema: Se X e Y sa˜o varia´veis aleato´rias independentes tem-se Cov(X, Y ) = 0 Observac¸a˜o: O rec´ıproco da propriedade na˜o e´ verdadeiro. Exemplo: Considere a distribuic¸a˜o conjunta de X e Y dada pela tabela abaixo: Y / X 0 1 2 1 3/20 3/20 2/20 2 1/20 1/20 2/20 3 4/20 1/20 3/20 Pode-se verificar, que Cov(X, Y ) = 0, mas X e Y sa˜o na˜o indepen- dentes. 4. Para duas v.a X e Y quaisquer, temos: V (X + Y ) = V (X) + V (Y )± 2Cov(X, Y ) 4 Teorema: Se X e Y sa˜o varia´veis aleato´rias tal que V (X) < ∞ e V (Y ) <∞, enta˜o: V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y ) Em particular: V (X − Y ) = V (X) + V (Y )− 2Cov(X, Y ) Lema: Cov(aX, bY ) = abCov(X, Y ) Definic¸a˜o: O coeficiente de correlac¸a˜o das varia´veis aleato´rias X e Y , denotado por ρ(X, Y ), e´ definido por: ρ(X, Y ) = Cov(X, Y ) σ(X)σ(Y ) Lema: O coeficiente de correlac¸a˜o ρ(X, Y ) das varia´veis aleato´rias X e Y satisfaz a desigualdade: |ρ(X, Y )| ≤ 1. Se ρ(X, Y ) = ±1, enta˜o os valores de X e Y pertencem a uma reta. 5
Compartilhar