Baixe o app para aproveitar ainda mais
Prévia do material em texto
LE409 - Estatística e Probabilidade para Engenharia Variáveis Aleatórias Discretas LE409 - Estatística e Probabilidade para Engenharia Variáveis Aleatórias Discretas Prof. Leonardo Tomazeli Duarte FCA/UNICAMP Variável Aleatória ● Exemplo: jogar de uma moeda (Kay, 2006) ● S = {cara,coroa} Variável Aleatória ● Definição: uma variável aleatória é uma função que mapeia o espaço amostral S para a reta real. Variável Aleatória ● Definição: uma variável aleatória é uma função que mapeia o espaço amostral S para a reta real. ● Atribui um número para cada realização de um certo experimento aleatório. Variável Aleatória ● Definição: uma variável aleatória é uma função que mapeia o espaço amostral S para a reta real. ● Atribui um número para cada realização de um certo experimento aleatório. ● Exemplo: jogar de dois dados ao mesmo tempo S = {(1,1),(1,2),...,(1,6),(2,1),(2,2),...(6,6)} ● Considere que a informação de interesse seja a soma dos resultados de cada dado. ● Se denotarmos os resultados de cada dado numa certa realização por si(1) e si(2), podemos definir a seguinte variável aleatória Variável Aleatória ● Exemplo: Considere o experimento aleatório que consiste em analisar se as peças de 3 estoques diferentes estão em boas condições Variável Aleatória ● Exemplo: Considere o experimento aleatório que consiste em analisar se as peças de 3 estoques diferentes estão em boas condições ● S={1Ok2Ok3Ok,1Ok2Ok3D,1Ok2D3Ok,...,1D2D3D} Variável Aleatória ● Exemplo: Considere o experimento aleatório que consiste em analisar se as peças de 3 estoques diferentes estão em boas condições ● S={1Ok2Ok3Ok,1Ok2Ok3D,1Ok2D3Ok,...,1D2D3D} ● Podemos definir uma VA X associada ao número total de peças defeituosas; Variável Aleatória ● Exemplo: Considere o experimento aleatório que consiste em analisar se as peças de 3 estoques diferentes estão em boas condições ● S={1Ok2Ok3Ok,1Ok2Ok3D,1Ok2D3Ok,...,1D2D3D} ● Podemos definir uma VA X associada ao número total de peças defeituosas; ● Neste caso X(1Ok2Ok3Ok) = 0 X(1Ok2Ok3D) = 1 ⁞ X(1D2D3D) = 3 Variável Aleatória ● Uma variável aleatória não precisa ser uma função bijetora (Kay 2006) Variável Aleatória ● Terminologia X → variável aleatória xi → realização de X. xi = X(si) Variável Aleatória ● Terminologia X → variável aleatória xi → realização de X. xi = X(si) ● Exemplo: Seja X uma variável aleatória associada ao jogar de uma moeda s1 = Cara ; s2 = Coroa x1 = X(s1) = 1 x2 = X(s2) = 0 Variável Aleatória ● Terminologia X → variável aleatória xi → realização de X. xi = X(si) ● Exemplo: Seja X uma variável aleatória associada ao jogar de uma moeda s1 = Cara ; s2 = Coroa x1 = X(s1) = 1 x2 = X(s2) = 0 ● Se a moeda não for enviesada, temos que P(X(si) = 1) = 0.5 e P(X(si) = 0) = 0.5 Tipos de variáveis aleatórias ● Variável aleatória discreta: pode assumir apenas um número finito ou infinito mas contável de valores ● Soma das realizações do jogar dois dados ● Jogar de uma moeda ● Número de peças defeituosas num dado lote Tipos de variáveis aleatórias ● Variável aleatória discreta: pode assumir apenas um número finito ou infinito mas contável de valores ● Soma das realizações do jogar dois dados ● Jogar de uma moeda ● Número de peças defeituosas num dado lote ● Variável aleatória contínua: pode assumir um intervalo contínuo de valores ● Temperatura de um processo ● Peso de uma pessoa ● Largura de uma peça Função massa de probabilidade ● Exemplo. Considere uma variável aleatória X definida ao número de caras observados no jogar de duas moedas. Vamos calcular as probabilidades de cada uma das possíveis realizações P(X = 0) = 1/4 P(X = 1) = 1/2 P(X = 2) = 1/4 ● Para uma variável aleatória X discreta que assume valores x1,x2,...,xN, a função massa de probabilidade é definida como fX(xi) = P(X = xi) -0 .5 0 0.5 1 1.5 2 2 .5 0 0.1 0.2 0.3 0.4 0.5 0.6 x f X Função massa de probabilidade ● Dos axiomas da probabilidade, a função massa de probabilidade deve respeitar as seguintes condições ● No exemplo anterior fX(0) = 0.25 fX(1) = 0.5 fX(2) = 0.25 Função massa de probabilidade ● Exemplo: considere uma VA X que representa o número de peças que devem ser testadas até que se encontre um defeito. Sabendo que a probabilidade de uma dada peça ter defeito é dada por d, determine a função massa de probabilidade de X ● Espaço amostral infinito S = {D,OkD, OkOkD, OkOkOkD,...} ● Variável aleatória X(D) = 1, X(OkD) = 2, X(OkOkD) = 3,... ● fX(1) = P(D) = d fX(2) = P(OkD) = P(Ok)P(D) = (1-d)*d fX(x) = P(Ok....Ok (x-1 vezes) D) = (1-d)x-1d Função massa de probabilidade ● Logo a função massa de probabilidade neste caso é dada por fX(x) = (1-d)x-1d se x ≥ 1 fX(x) = 0 se x < 1 ● Vamos verificar se fX(x) satisfaz as condições para ser uma função massa de probabilidade 1) É evidente que fX(x) ≥ 0 para todo x 2) Temos que analisar agora se ∑ fX(x) = 1 Função massa de probabilidade ● Para fX(x) = (1-d)x-1d, analisar se ∑ fX(x) = 1 ● Substituindo a = 1 – d, temos que analisar Função massa de probabilidade ● A partir da função massa de probabilidade fX(x), é possível calcular a probabilidade associada à realização xi de uma VA X simplesmente calculando fX(xi). Função massa de probabilidade ● A partir da função massa de probabilidade fX(x), é possível calcular a probabilidade associada à realização xi de uma VA X simplesmente calculando fX(xi). ● Além disso podemos calcular a probabilidade de um conjunto de realizações. ● Exemplo: Seja X uma VA associada ao número de caras no jogar de duas moedas. A probabilidade do número de caras for 1 ou 2 (união) é dada por P(X ∈ {1,2}) ● Porém, note cada realização de uma VA é um evento disjunto. Logo P(X ∈ {1,2}) = P(X = 1) + P(X = 2) = fX(1) + fX(2) Função massa de probabilidade ● De modo mais geral, seja Ω um evento (qualquer subconjunto de novo espaço amostral), então Função massa de probabilidade ● De modo mais geral, seja Ω um evento (qualquer subconjunto de novo espaço amostral), então ● Exemplo: X → VA aleatória associada ao número de caras no jogar de duas moedas Ω → Número de caras maior ou igual a 1 Ω = {1,2} P(X ∈ Ω) = fX(1) + fX(2) = 0,75 Função distribuição acumulada ● Seja uma VA X. A função distribuição acumulada FX(x) é definida como FX(x) = P(X ≤ x) ● Exemplo. X → VA aleatória associada ao número de caras no jogar de duas moedas ● S = {CaCa,CaCo,CoCa,CoCo} FX(0) = P(X ≤ 0) = 0.25 FX(1) = P(X ≤ 1) = 0.75 FX(2) = P(X ≤ 2) = 1 0 0.5 1 1.5 2 2.5 0 0.2 0.4 0.6 0.8 1 x F X Função distribuição acumulada ● A Função distribuição acumulada expressa uma probabilidade, e, logo 0 ≤ FX(x) ≤ 1, ● Além disso Se x1 ≤ x2, então FX(x1) ≤ FX(x2) Esta propriedade vem do fato que FX(x1) = P(X ≤ x1) e FX(x2) = P(X ≤ x2), de modo que o evento X ≤ x1 ⊂ X ≤ x2 Função distribuição acumulada ● A função distribuição acumulada FX(x) pode ser determinada em termos da função de massa de probabilidade fX(x) e vice-versa -0.5 0 0.5 1 1.5 2 2.5 0 0.1 0.2 0.3 0.4 0.5 0.6 x f X 0 0.5 1 1.5 2 2.5 0 0.2 0.4 0.6 0.8 1 x F X Função distribuição acumulada ● Exemplo, Considere a seguinte FDA FX(x) = 0, x < 0 = 0.25, 0 ≤ x < 1 = 0.75, 1 ≤ x < 2 = 1 2 ≤ x -0.5 0 0.5 1 1.5 2 2.5 00.1 0.2 0.3 0.4 0.5 0.6 x f X 0 0.5 1 1.5 2 2.5 0 0.2 0.4 0.6 0.8 1 x F X Função distribuição acumulada ● Vamos calcular a probabilidade de uma variável estar num certo intervalo utilizando a distribuição acumulada é FX(x) P(a < X ≤ b) ? Função distribuição acumulada ● Vamos calcular a probabilidade de uma variável estar num certo intervalo utilizando a distribuição acumulada é FX(x) P(a < X ≤ b) ? ● Primeiramente, temos que {a < X ≤ b} ∪ {X ≤ a} = {X ≤ b} Função distribuição acumulada ● Vamos calcular a probabilidade de uma variável estar num certo intervalo utilizando a distribuição acumulada é FX(x) P(a < X ≤ b) ? ● Primeiramente, temos que {a < X ≤ b} ∪ {X ≤ a} = {X ≤ b} ● Porém, {a ≤ X < b} e {X < a} são eventos disjuntos, e logo P(a < X ≤ b) + P(X ≤ a) = P(X ≤ b) Função distribuição acumulada ● Vamos calcular a probabilidade de uma variável estar num certo intervalo utilizando a distribuição acumulada é FX(x) P(a < X ≤ b) ? ● Primeiramente, temos que {a < X ≤ b} ∪ {X ≤ a} = {X ≤ b} ● Porém, {a ≤ X < b} e {X < a} são eventos disjuntos, e logo P(a < X ≤ b) + P(X ≤ a) = P(X ≤ b) P(a < X ≤ b) = P(X ≤ b) - P(X ≤ a) Função distribuição acumulada ● Vamos calcular a probabilidade de uma variável estar num certo intervalo utilizando a distribuição acumulada é FX(x) P(a < X ≤ b) ? ● Primeiramente, temos que {a < X ≤ b} ∪ {X ≤ a} = {X ≤ b} ● Porém, {a ≤ X < b} e {X < a} são eventos disjuntos, e logo P(a < X ≤ b) + P(X ≤ a) = P(X ≤ b) P(a < X ≤ b) = P(X ≤ b) - P(X ≤ a) P(a < X ≤ b) = FX(b) - FX(a) Função distribuição acumulada ● Exemplo: Seja X uma VA com FDA dada por ● Calcule P(2 < X ≤ 3.5) Função distribuição acumulada ● Exemplo: Seja X uma VA com FDA dada por ● Calcule P(2 < X ≤ 3.5) P(2 < X ≤ 3.5) = FX(3.5) – FX(2) = 0.6 – 0.5 = 0.1 Função distribuição acumulada ● Exemplo: Seja X uma VA com FDA dada por ● Calcule P(2 < X ≤ 3.5) P(2 < X ≤ 3.5) = FX(3.5) – FX(2) = 0.6 – 0.5 = 0.1 ● Calcule P(X > 3) Função distribuição acumulada ● Exemplo: Seja X uma VA com FDA dada por ● Calcule P(2 < X ≤ 3.5) P(2 < X ≤ 3.5) = FX(3.5) – FX(2) = 0.6 – 0.5 = 0.1 ● Calcule P(X > 3) X<3 é equivalente ao intervalo 3 < X ≤ +∞ Função distribuição acumulada ● Exemplo: Seja X uma VA com FDA dada por ● Calcule P(2 < X ≤ 3.5) P(2 < X ≤ 3.5) = FX(3.5) – FX(2) = 0.6 – 0.5 = 0.1 ● Calcule P(X > 3) X<3 é equivalente ao intervalo 3 < X ≤ +∞ P(X > 3) = FX(+∞) - FX(3) = 1 – 0.6 = 0.4 Média de uma VA discreta ● Na parte de estatística descritiva, vimos o conceito de média e variância amostrais ● Em estatística inferencial, é assumido um modelo probabilístico para “explicar” os dados ● Ou seja, as amostras são vistas como realizações de uma variável aleatória População Modelo probabilístico Amostras x1,x2,...,xn Média amostralMédia populacional ou esperança Média de uma VA discreta ● Dado uma VA X, a esperança (ou média populacional) de X é dada por μX = E{X} = ∑x x fX(x) Todos valores de x onde fX(x) ≠ 0 Média de uma VA discreta ● Dado uma VA X, a esperança (ou média populacional) de X é dada por μX = E{X} = ∑x x fX(x) ● Exemplo: Seja X uma VA com a seguinte massa de probabilidade μX = E{X} = ∑x x fX(x) = 0.1*1 + 0.5*2 + 0.4*3 = 2.3 Todos valores de x onde fX(x) ≠ 0 Média de uma VA discreta ● Função massa de probabilidade e localização de E{X} Todos valores de x onde fX(x) ≠ 0 0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.1 0.2 0.3 0.4 0.5 0.6 x f X E{X} Relações entre mX e E{X} ● Há relações entre a média amostral mX e a esperança da variável aleatória X que gerou as amostras? Sim! ● Considere que temos a partir de uma VA discreta X obtivemos as realizações x1, x2,...,xN ● Vamos calcular a média amostral Relações entre mX e E{X} ● Há relações entre a média amostral mX e a esperança da variável aleatória X que gerou as amostras? Sim! ● Considere que temos a partir de uma VA discreta X obtivemos as realizações x1, x2,...,xN ● Vamos calcular a média amostral Relações entre mX e E{X} ● Há relações entre a média amostral mX e a esperança da variável aleatória X que gerou as amostras? Sim! ● Considere que temos a partir de uma VA discreta X obtivemos as realizações x1, x2,...,xN ● Vamos calcular a média amostral ● Também podemos calcular a mX desta forma ● Onde fx representa a frequência relativa de cada valor x de probabilidade não-nula Relações entre mX e E{X} ● O que fx representa? Relações entre mX e E{X} ● O que fx representa? fx = Nx / N Relações entre mX e E{X} ● O que fx representa? fx = Nx / N ● Logo Relações entre mX e E{X} ● O que fx representa? fx = Nx / N ● Logo ● Portanto Relações entre mX e E{X} ● O que fx representa? fx = Nx / N ● Logo ● Portanto ● Ou seja, quando N → ∞, mX → E{X} ● Esta é lei dos grandes números! Relações entre mX e E{X} ● Exemplo: Relações entre mX e E{X} ● Exemplo: ● O gráfico abaixo mostra a média amostral em função de N. 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 0 .35 0.4 0 .45 0.5 0 .55 0.6 0 .65 0.7 N ú m e ro d e a m o s tra s N m X Linearidade da esperança ● A esperança é um operado linear, isto é, para duas VAs X e Y e dois coeficientes a e b, temos E{aX + bY)} = aE{X} + bE{Y} Linearidade da esperança ● A esperança é um operado linear, isto é, para duas VAs X e Y e dois coeficientes a e b, temos E{aX + bY)} = aE{X} + bE{Y} ● Exemplo: Uma variável aleatória Z é definida como Z = 3X + 2Y, onde X e Y são VAs com E{X} = 1/3 e E{Y} = -1/2. Calcule E{Z} E{Z} = 3X + 2Y = 3E{X} + 2E{Y} = 0 Generalizando a esperança ● Podemos escrever a esperança para qualquer função de uma variável aleatória X E{g(X)} = ∑x g(x) fX(x) Generalizando a esperança ● Podemos escrever a esperança para qualquer função de uma variável aleatória X E{g(X)} = ∑x g(x) fX(x) ● Exemplo: calcule a esperança do quadrado de uma VA X dada por Generalizando a esperança ● Podemos escrever a esperança para qualquer função de uma variável aleatória X E{g(X)} = ∑x g(x) fX(x) ● Exemplo: calcule a esperança do quadrado de uma VA X dada por ● E{X2} = ∑x x2 fX(x) = 12 * 0.1 + 22 * 0.5 + 32 * 0.4 = 0.1 + 4*0.5 + 9*0.4 = 5.7 Variância de VA discreta ● Com base na generalização da esperança, podemos definir a variância de uma VA discreta; ● A variância é definida como σ2 = E{ (X-E{X})2 } σ2 = ∑x (x-E{X})2 fX(x) Variância de VA discreta ● Com base na generalização da esperança, podemos definir a variância de uma VA discreta; ● A variância é definida como σ2 = E{ (X-E{X})2 } σ2 = ∑x (x-E{X})2 fX(x) ● Alternativamente σ2 = E{X2} – E{X}2 ● A demonstração é idêntica ao caso de variância amostral que fizemos na primeira aula. Variância de VA discreta ● Exemplo: Calcule a variância de uma VA X com massa de probabilidade dada por Variância de VA discreta ● Exemplo: Calcule a variância de uma VA X com massa de probabilidade dada por ● Já calculamos E{X}=2.3 e E{X2}=5.7 ● Logo σ2 = E{X2} – E{X}2 = 5.7 – 2.32 = 0.41 Variância de VA discreta ● Exemplo: Calcule a variância de uma VA X com massa de probabilidade dada por ● Já calculamos E{X}=2.3 e E{X2}=5.7 ● Logo σ2 = E{X2} – E{X}2 = 5.7 – 2.32 = 0.41 ● Alternativamente, podemos calcular deste modo σ2 = ∑x (x-E{X})2 fX(x) = (1 – 2.3)20.1 + (2 – 2.3)20.5 + (3– 2.3)20.4 Resumo ● Variável aleatória: mapeia elementos do espaço amostral para número. ● Variável aleatória discreta é caracterizada pela ● Função massa de probabilidade / Função distribuição acumulada ● A esperança de qualquer função não-linear de uma VA X é dada por E{g(X)} = ∑x g(x) fX(x) Exercício ● Uma máquina vem apresentando sistematicamente problemas após um certo tempo de uso. Após um estudo, os engenheiros responsáveis definiram uma VA aleatória T que expressa o tempo (em dias) para que a máquina apresente defeito após ser ligada. Eles chegaram ao seguinte modelo ● Determine a de modo que fT(t) seja uma função massa de probabilidade. Obtenha a distribuição acumulada FT(t). Esboce os gráficos. ● Calcule a esperança e a variância de T. ● Qual é a probabilidade da máquina operar corretamente nos três primeiros dias? 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
Compartilhar