Академический Документы
Профессиональный Документы
Культура Документы
Revisao de Probabilidades
26 de setembro de 2016
Proverbio Irlandes
Se voce perder uma hora pela manha vai procurar por ela o
restante do dia.
Experimento Aleatorio
Espaco Amostral
Eventos
Axiomas de Probabilidade
Probabilidade Condicional
Variaveis Aleatorias
Funcao de Distribuicao Cumulativa
Funcao de Massa de Probabilidade
Funcao Densidade de Probabilidade
Esperanca, Variancia e Momentos
Distribuicoes Condicionais
Y ()
(x, y)
y
X()
x
Classificacao
Se X e Y forem v.as.
discretas, entao X e um vetor discreto.
contnuas, entao X e um vetor contnuo.
(discreta, contnua) ou (contnua, discreta), entao X e um
vetor misto.
Definicao
A fdc conjunta das v.as. X e Y e definida como
Evento [X x, Y y ]
Se o evento [X x] estiver associado ao evento A Q e o evento
[Y y ] estiver associado ao evento B Q, entao o evento
[X x, Y y ] e equivalente ao evento [A B]. Assim,
A e B eventos independentes
Se A e B forem eventos independentes de Q, entao
Definicao
Tome o limy [X x, Y y ] = [X x, Y ] = [X x],
pois a condicao [Y ] e sempre satisfeita. Assim,
Definicao
Considere que (X , Y ) toma valores (xi , yj ) a partir de um conjunto
contavel, com i, j ndices inteiros permitidos. Assim
Definicoes
As fmps marginais sao obtidas pelas equacoes
X
P[X = xi ] = pX (xi ) = pXY (xi , yj ) (9)
yj
X
P[Y = yj ] = pY (yj ) = pXY (xi , yj ). (10)
xi
Definicao
Considere que (X , Y ) toma valores (x, y ) em que x, y , assim
a equacao
2 FXY (x, y )
fXY (x, y ) = (12)
xy
representa a funcao de densidade de probabilidade conjunta (fdp
conjunta) de (X , Y ).
Definicoes
As fdps marginais sao obtidas pelas equacoes
Z
fX (x) = fXY (x, ) d (14)
Z
fY (y ) = fXY (, y ) d. (15)
Definicoes
Se (X , Y ) for uma v.a. bidimensional discreta com fmp conjunta
pXY (xi , yj ), entao a fmp condicional de Y dado que X = xi e
definida como
pXY (xi , yj )
pY |X =xi (yj ) = pY |X (yj |xi ) = pX (xi ) > 0. (17)
pX (xi )
Similarmente,
pXY (xi , yj )
pX |Y =yj (xi ) = pX |Y (xi |yj ) = pY (yj ) > 0. (18)
pY (yj )
0 pY |X (yj |xi ) 1;
2
X
pY |X (yj |xi ) = 1.
yj
Definicoes
Se (X , Y ) for uma v.a. bidimensional contnua com fdp conjunta
fXY (x, y ), entao a fdp condicional de Y dado que X = x e definida
como
fXY (x, y )
fY |X =x (y ) = fY |X (y |x) = fX (x) > 0. (20)
fX (x)
Similarmente,
fXY (x, y )
fX |Y =y (x) = fX |Y (x|y ) = fY (y ) > 0. (21)
fY (y )
Propriedades de fY |X (y |x):
1
fY |X (y |x) 0;
2 Z
fY |X (y |x) dy = 1.
Dependencia
Frequentemente estamos interessados na dependencia entre duas
ou mais entidades aleatorias.
Exemplos:
fumar e cancer no pulmao;
altura e peso de uma crianca;
rudo e probabilidade de erro em uma transmissao digital;
vazao e pacotes perdidos em uma rede de computadores;
Dependencia
Considere um experimento aleatorio com duas sadas descritas
pelas v.as. X e Y .
Facamos varios ensaios desse experimento e registremos os
valores de X e Y para cada ensaio.
A partir desses dados, e possvel determinar a natureza de
uma dependencia (linear) entre X e Y .
A correlacao (covariancia) indica o grau de linearidade que
existe entre X e Y .
Grafico X Y
O grafico anterior e conhecido como diagrama de
espalhamento.
Ele mostra que quando X e grande Y geralmente tambem e
grande.
O geralmente indica que nem sempre isso e verdade mas que
ocorre a maioria das vezes.
Por exemplo, durante a Copa mesmo que a temperatura
diminua a venda de cervejas deve continuar alta.
Definicao
A correlacao entre X e Y , RXY e definida como
RR
RXY = EXY = xyfXY (x, y ) dx dy v.as. contnuas (23)
P P
= i j xi yj pXY (xi , yj ) v.as. discretas (24)
Definicao
Se RXY = 0 dizemos que as v.as. X e Y sao ortogonais.
Propriedades
Se X e Y forem independentes entao
Definicao
A covariancia entre X e Y , CXY e definida como
Propriedades
Se X e Y forem independentes entao
Definicao
O coeficiente de correlacao e definido como
CXY
XY = . (30)
X Y
Propriedades
Se X e Y forem independentes entao
XY = 0, X , Y 6= 0. (31)
Teorema:
Seja X1 , X2 , . . . , Xn uma sequencia de v.as. iid com esperanca
finita EXi = e variancia finita, entao para > 0
em que
n
X1 + X2 + . . . + Xn 1X
Mn = = Xi . (34)
n n
i=1
Teorema:
Seja X1 , X2 , . . . , Xn uma sequencia de v.as. iid com esperanca
finita EXi = e variancia finita, entao
h i
P lim Mn = = 1, (35)
n
em que
n
X1 + X2 + . . . + Xn 1X
Mn = = Xi . (36)
n n
i=1
Teorema:
Seja Sn = X1 + X2 + . . . + Xn a soma de n v.as. iid com esperanca
finita EXi = e variancia finita var(Xi ) = 2 . Defina Zn como
uma v.a. com esperanca zero e variancia unitaria da seguinte forma
Sn n
Zn = (37)
n
Z z
1 2
lim P[Zn z] = e x /2 dx. (38)
n 2
Observe que Xi pode ter uma distribuicao qualquer.