Upload
duongthu
View
212
Download
0
Embed Size (px)
Citation preview
Experimento Aleatório
Não existe uma definição satisfatória de Experimento Aleatório.Os exemplos dados são de fenômenos para os quais modelosprobabilísticos são adequados e por simplicidade, sãodenominados de experimentos aleatórios.
Ao descrever um experimento aleatório deve-se especificarnão somente que operação ou procedimento deva serrealizado, mas também o que é que deverá ser observado.
E1: Joga-se um dado e observa-se o número obtido na facesuperior.E2: Joga-se uma moeda 4 vezes e o observa-se o número decaras obtido.E3: Uma lâmpada nova é ligada e observa-se o tempo gastoaté queimar.E4: Lançam-se dois dados e anota-se a soma dos pontos.
Características dos Experimentos Aleatórios
Observando-se os exemplos acima pode-se destacar algumascaracterísticas comuns:
1 Podem ser repetidos indefinidamente sob as mesmascondições.
2 Não se pode adiantar um resultado particular, maspode-se descrever todos os resultados possíveis
3 Se repetidos muitas vezes apresentarão uma regularidadeem termos de freqüência de resultados.
Espaço Amostral:é o conjunto de todos os possíveis resultados de umexperimento aleatório. Se denota por Ω
Evento:é qualquer subconjunto do espaço amostral (Ω). Denotamospor A,B,C, . . .
Operações com Eventos
Dados os eventos A,B ∈ Ω
Igualdade de eventos: (A = B) A e B são iguais se A ⊂ Be B ⊂ A.União de eventos: (A ∪ B) evento formado pelossucessos que pertencem a A ou a B ou a ambos.Interseção de eventos: (A ∩ B) evento formado por todosos sucessos favoráveis a A e a B.Diferença de eventos: (A− B) evento formado pelossucessos favoráveis a A e que não são favoráveis a B.Complemento: (Ac) evento formado por todos ossucessos que não pertencem a A
Algumas Propriedades
Dados os eventos A,B,C ∈ Ω
Lei Distributiva:A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
Lei de DeMorgan:(A ∩ B)c = Ac ∪ Bc
(A ∪ B)c = Ac ∩ Bc
Definição Clássica de Probabilidades
A definição clássica de probabilidades foi dada por Laplace emsua obra Teoria Analítica das Probabilidades, publicada em1812. Esta definição baseia-se no suposto que todos osresultados possíveis de um experimento aleatório sãoigualmente prováveis, isto é, cada um dos elementos doespaço amostral tem a mesma probabilidade de sair. SejamN(Ω) = nΩ: número de elementos do espaço amostralN(A) = nA: número de elementos do evento AAssim a probabilidade do evento A acontecer é
P(A) =nA
nΩ=
número de casos favoráveis ao evento Anúmero de casos possíveis
Definição Formal de Probabilidades
Uma função P(.) é denominada probabilidade se satisfaz:1 ∀A ⊂ Ω, 0 ≤ P(A) ≤ 12 P(Ω) = 13 Se os eventos Aj ‘s são disjuntos ou mutuamente
exclusivos, então P(∪nj=1Aj) =
∑nj=1 P(Aj)
Propriedades1 Se φ é o evento impossível então P(φ) = 02 P(Ac) = 1− P(A), P(A) = 1− P(Ac)
3 Sejam os eventos A e B tais que A ⊂ B então P(A) ≤ P(B)
4 Sejam A e B dois eventos entãoP(A ∪ B) = P(A) + P(B)− P(A ∩ B)
5 Sejam A,B e C três eventos então
P(A∪B∪C) = P(A)+P(B)+P(C)−P(A∩B)−P(A∩C)−P(B∩C)+P(A∩B∩C)
Variável Aleatória
Seja E um experimento aleatório e Ω o espaço amostralassociado. Uma função de X que associa cada elemento emΩ, a um número real X (Ω) é denominado variável aleatória.
X : Ω→ R
Variável Aleatória DiscretaQuando a imagem da variável aleatória X é um conjunto finitoou infinito enumerável.
Variável Aleatória ContínuaQuando a imagem de uma variável aleatória X é um intervalosob a reta dos números reais.
Variável Aleatória Discreta
Função de ProbabilidadeA função de probabilidade de uma variável aleatória discreta éuma função que atribui probabilidades a cada um dospossíveis valores assumidos pela variável.
p(xi) = P(X = xi) = P(w ∈ Ω|X (w) = xi)
Uma função de probabilidade satisfaz1 0 ≤ p(xi) ≤ 1, ∀i2∑
i p(xi) = 1
Função de Distribuição ou Função Acumulada deProbabilidadeé definida por:
FX (x) = P(X ≤ x), ∀x
Algumas distribuições discretas
Distribuição Bernoulli (X ∼ B(p))
Dizemos que uma variável aleatória X tem DistribuiçãoBernoulli com parâmetro p (0 ≤ p ≤ 1), se X assume apenasos valores 0 e 1, assim as probabilidades ficam:
P(X = 1) = p e P(X = 0) = 1− p
Sua função de probabilidade é dada por:
P(X = x) = px (1− p)1−x , x = 0,1
A esperança e variância é dada por:
µ = E(X ) = p σ2 = Var(X ) = p(1− p)
Algumas distribuições discretas
Distribuição Binomial (X ∼ Bi(n,p))
Considere n ensaios de Bernoulli independentes, comprobabilidade de sucesso p. A variável aleatória X que conta onúmero total de sucessos é uma variável Binomial comparâmetros n e p e sua função de probabilidade é dada por:
P(X = x) =
(nx
)px (1− p)n−x , x = 0,1,2, . . . ,n
onde(n
x
)= n!
(n−x)!x!
A esperança e variância é dada por:
µ = E(X ) = np σ2 = Var(X ) = np(1− p)
Algumas distribuições discretas
Distribuição MultinomialA distribuição multinomial é uma generalização da binomial; nabinomial, temos n repetições de um experimento de Bernoulli ea variável em estudo, que segue a distribuição binomial,corresponde ao número de sucessos obtidos. Os experimentosde Bernoulli se caracterizam pelo fato de haver apenas doisresultados possíveis, que são, então, denotados por 0(fracasso) e 1 (sucesso). Na distribuição multinomial, temos nrepetições independentes de um experimento que tem kresultados possíveis, com respectivas probabilidades dadaspor p1,p2, . . . ,pk e
∑ki=1 pi = 1. O vetor aleatório em estudo é
(X1,X2, . . . ,Xk ), onde Xi é o número de ocorrências do i-ésimoresultado.
Algumas distribuições discretas
Distribuição MultinomialConsidere n repetições independentes de um experimentoaleatório; em cada repetição há k possíveis resultados comprobabilidades p1,p2, . . . ,pk . Se Xi é o número de ocorrênciasdo i-ésimo resultado, então o vetor (X1,X2, . . . ,Xk ) temdistribuição multinomial com parâmetros n, k ,p1,p2, . . . ,pk cujadistribuição de probabilidades é dada por
P(X1 = x1,X2 = x2, . . . ,Xk = xk ) =n!
x1!x2!, . . . , xk !px1
1 px22 . . . pxn
k
onde x1, . . . , xk são números inteiros não negativossatisfazendo
∑ki=1 xi = n e
∑ki=1 pi = 1
A esperança e variância é dada por:
µi = E(Xi) = npi σ2i = Var(Xi) = npi(1− pi)
Variável Aleatória Contínua
Função de Densidade de Probabilidade:Dizemos que f (x) é uma função de densidade deprobabilidade para uma variável contínua X se satisfaz duascondições
1 f (x) > 0, ∀x ∈ (−∞,∞)
2∫ +∞−∞ f (x)dx = 1
Função de Distribuição Acumulada:Seja X uma v.a. contínua com função de densidade f(x). Afunção de distribuição acumulada, denotada por FX (x) édefinida por:
FX (x) = P(X ≤ x) =
∫ x
−∞f (t)dt ∀x ∈ R
Variável Aleatória Contínua
Observações1 f (x) não representa probabilidades, a integral de f (x)
entre dois pontos produz uma probabilidade.2 Seja x0 ∈ R
P(X = x0) = P(x0 < X ≤ x0) =
∫ x0
x0
f (x)dx = 0
3 Se X é uma variável contínua, então
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a < X < b) = P(a ≤ X < b)
Variável Aleatória Contínua
Propriedades1 0 ≤ FX (x) ≤ 1, ∀x ∈ R2 limx→−∞ FX (x) = limx→−∞
∫ x−∞ f (t)dt = 0
3 limx→∞ FX (x) = limx→∞∫ x−∞ f (t)dt = 1
4 A função de distribuição acumulada é não decrescente,isto é, se a ≤ b ⇒ FX (a) ≤ FX (b)
5 limh→0FX (x + h) = F (x), ∀x ∈ R, com h > 0, isto é FX écontínua à direita em todos os pontos
6 Do segundo teorema fundamental do cálculo, temos que,se FX é uma função derivável, então f (x) = d
dx (FX (x)),isto é, podemos encontrar a função densidade a partir dafunção de distribuição
Valor Esperado
Seja X uma v.a. com imagem ImgX e função de probabilidadep(x) = P(X = x) se X for discreta e função de densidade f (x)se X contínua. O valor esperado ou esperança matemáticade X denota-se por E(X ) ou µ e define-se da maneiraseguinte:
Se X for uma variável aleatória discreta
E(X ) =∑
xi∈ImgX
xip(xi) =∑
xi∈ImgX
xiP(X = xi)
Se X for uma variável aleatória contínua
E(X ) =
∫x∈ImgX
xf (x)dx =
∫ +∞
−∞xf (x)dx
sempre que∑
xi∈ImgXxip(xi) seja absolutamente
convergente e∫
x∈ImgXxf (x)dx seja finita, respectivamente.
Valor Esperado
PropriedadesSe X é uma variável aleatória e a,b constantes, então
1 E(a) = a2 E(aX ) = aE(X )
3 E(aX + b) = aE(X ) + b
Variância
Seja X uma v.a. com imagem ImgX e função de probabilidadep(x) = P(X = x) se X for discreta e função de densidade f (x)se X contínua. A variância de X denota-se por Var(X ) ou σ2 édefinida como:
Var(X ) = E [(X − E(X ))2] = E(X 2)− (E(X ))2
Se X for uma variável aleatória discreta
Var(X ) =∑
xi∈ImgX
(xi − E(X ))2P(X = xi)
Se X for uma variável aleatória contínua
Var(X ) =
∫ ∞−∞
(x − E(X ))2f (x)dx
Variância
PropriedadesSe X é uma variável aleatória e a,b constantes, então
1 Var(X ) ≥ 02 Se X = a com probabilidade 1, Var(X ) = 03 Var(aX + b) = a2Var(X )
Algumas Distribuições Contínuas
Distribuição Uniforme (X ∼ U((a,b))
Uma variável aleatória X tem distribuição Uniforme Contínuano intervalo [a,b], a < b, se sua função densidade deprobabilidade é dada por:
f (x) =1
b − a, se a ≤ x ≤ b
A esperança e variância é dada por:
µ = E(X ) =a + b
2e σ2 = Var(X ) =
(b − a)2
12
Algumas Distribuições Contínuas
Distribuição Gamma (X ∼ Gama(α, β))
Dizemos que uma variável aleatória X tem DistribuiçãoGamma com parâmetros α e β, (α > 0, β > 0) se sua funçãode de densidade é dada por:
f (x) =βα
Γ(α)xα−1e−βx para x > 0
onde Γ(α) =∫∞
0 xα−1e−βxdx .A esperança e variância é dada por:
E(X ) =α
βVar(X ) =
α
β2
Algumas Distribuições Contínuas
Distribuição Exponencial (X ∼ Exp(λ))
Dizemos que uma variável aleatória X tem DistribuiçãoExponencial com parâmetro β, (β > 0) se sua função de dedensidade é dada por:
f (x) = βe−βx para x > 0
A esperança e variância é dada por:
E(X ) =1β
Var(X ) =1β2
Nota: Distribuição Exponencial é caso particular daDistribuição Gama(α, β)) quando α = 1.
Algumas Distribuições Contínuas
Distribuição Beta (X ∼ Beta(α, β))
Dizemos que uma variável aleatória X tem Distribuição Betacom parâmetros α e β, (α > 0, β > 0) se sua função de dedensidade é dada por:
f (x) =Γ(α + β)
Γ(α)Γ(β)xα−1(1− x)β−1 para 0 < x < 1
A esperança e variância é dada por:
E(X ) =α
α + β
Var(X ) =αβ
(α + β)2(α + β + 1)=
E(X )(1− E(X ))
(α + β + 1)
Algumas Distribuições Contínuas
Distribuição Dirichlet (X ∼ Dir(α1, α2 . . . αk )
Dizemos que uma variável aleatória X = [x1, x2 . . . xk ] ondexj ∈ [0,1], j = 1 . . . k ,
∑kj=1 xj = 1 tem Distribuição de Dirichlet
com parâmetros α1, α2 . . . αk , αj > 0, j = 1 . . . k , se sua funçãode de densidade é dada por:
f (x) =Γ(A)
Γ(α1)Γ(α2) . . . Γ(αk )xα1−1
1 xα2−12 . . . xαk−1
k
onde A =∑k
j=1 αj .A esperança e variância é dada por:
E(Xj) =αj
AVax(Xi) =
αi(A− αi)
A2(A + 1)=
E(Xj)(1− E(Xj))
(A + 1)
Algumas Distribuições Contínuas
Distribuição Normal (X ∼ N(µ, σ2))
Uma v.a. contínua X tem distribuição Normal com parâmetrosµ e σ2, se sua função de densidade é dada por
f (x) =1
σ√
2πexp
−(x − µ)2
2σ2
, para −∞ < x <∞
f (x) é simétrica em relação à µf (x)→ 0 quando x → ±∞O valor máximo que assume f (x) no intervalo [a,b]
P(a ≤ X ≤ b) =
∫ b
a
1σ√
2πexp−(x − µ)2
2σ2 dx
A esperança e variância é dada por:
E(X ) = µ Var(X ) = σ2
Algumas Distribuições Contínuas
Distribuição Normal Padrão (X ∼ N(0,1))
Seja X ∼ N(µ, σ2) e definamos a nova variável
Z =X − µσ∼ N(0,1)
Para determinar P(a ≤ X ≤ b) calculamos
P(a ≤ X ≤ b) = P(a− µσ≤ Z ≤ b − µ
σ)
Estes valores são calculados por meio da tabela.