Prévia do material em texto
Probabilidades e Estat́ıstica Aula Teórica 7 Docente: Carmalino Sebastião José Ncuaze 24 de outubro de 2021 Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 1 / 26 Sumário Variáveis Aleatórias Definição Classificação de Variáveis Aleatórias Função de probabilidade em VAD Propriedades da Função de probabilidade de uma VAD Função de distribuição de VAD Parâmetros de Variáveis Aleatórias Discretas Função densidade de probabilidade para VAC Função de distribuição de VAC Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 2 / 26 Introdução sobre Variáveis Aleatórias Alguns exemplos sobre Variáveis Aleatórias Exemplo 1 - Seja a experiência aleatória que consiste na observação do tempo que decorre entre a chegada de duas chamadas telefónicas consecutivas a uma determinada central telefónica. Então, Ω será: Ω = {t : t > 0}. Exemplo 2 - Seja a experiência aleatória que consiste na observação do volume diário de vendas de três pontos de venda de uma empresa. Então, Ω será: Ω = {(v1, v2, v3) : vi ≥ 0, i = 1, 2, 3}. Exemplo 3 - Seja uma experiência aleatória que consiste no controlo de qualidade de componentes eletrônicos: num lote grande de componentes escolhem-se três ao acaso e analisam-se. Então se designamos: D-o componente é defeituoso; N-o componente não é defeituoso. Ω = {(N,N,N); (N,N,D); · · · ; (D,N,D); (D,D,N); (D,D,D)} . Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 3 / 26 Variáveis Aleatórias Definição: Uma variável aleatória X é aleatória (casual ou probabiĺıstica) se assume valores ao acaso que podem ser esperados. Uma variável aleatória é uma função que a cada acontecimento do espaço de resultados faz corresponder um valor real. Exemplo - Experiência de três lançamentos de uma moeda. Sejam: C - cara; K - coroa e Ω - espaço amostral. Ω = {CCC ,CCK ,CKC ,KCC ,KKC ,KCK ,CKK ,KKK} X(Ω) - Número de caras em três lançamentos. X(Ω): 0, 1, 2, 3. P(X = 0) = P(KKK ) = 18 P(X = 1) = P[(KKC)ou(KCK )ou(CKK )] = 38 P(X = 2) = 38 P(X = 3) = P(CCC) = 18 P(X=5)=0. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 4 / 26 Variáveis Aleatórias Classificação de Variáveis Aleatórias Variável Aleatória Discreta (VAD) - uma VAD assume um número finito ou infinito contável de valores. Variável Aleatória Cont́ınua (VAC) - uma VAC assume um número infinito não contável de valores e é chamada de Variável Aleatória não Discreta. Cálculo de probabilidades em Variáveis Aleatórias Discretas Seja o experimento aleatório que consiste no controlo de qualidade de componentes eletrônicos. Num lote grande desses componentes selecionam-se 3 ao acaso e analisam-se os defeituosos e não defeituosos. Sejam: D=defeituosos e D=não defeituosos. a) Construir o espaço amostral; b) Introduzir uma variável aleatória e classificar; c) Calcule a probabilidade de um desse valor. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 5 / 26 Variáveis Aleatórias Discretas Cálculo de probabilidades em Variáveis Aleatórias Discretas Resolução: a) Ω = { DDD,DDD,DDD,DDD,DDD,DDD,DDD,DDD } b) X (Ω):”Número de defeitos numa amostra de 3”; X (Ω) = {0, 1, 2, 3} c) P(X = 2) =? ⇒ P(X = 2) = 38 Função de probabilidade em Variáveis Aleatórias Discretas Como foi apresentado no cálculo de probabilidades das VAD, é posśıvel associar X à uma dada probabilidade. Se X é uma variável aleatória discreta, que assume valores distintos x1, x2, . . . , xn, . . ., então a sua função de probabilidade é representada por f (x) e é definida por: f (x) = P[X = x ] se x = xj , j = 1, 2, . . . , n, . . . 0 se x 6= xj Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 6 / 26 Variáveis Aleatórias Discretas Função de probabilidade em Variáveis Aleatórias Discretas Exemplo - Do experimento aleatório sobre o controlo de qualidade de componentes eletrônicos, apresentado nos slides imediatamente anteriores, pode-se observar que cada um dos valores de X assume um valor de probabilidade. Assim, a função de probabilidade é dada pela tabela seguinte: X 0 1 2 3 f(x)=P[X=x] 18 3 8 3 8 1 8 Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 7 / 26 Variáveis Aleatórias Discretas A sua forma gráfica será: Propriedades da função de probabilidade de uma VAD 0 ≤ f (x) ≤ 1 ∀x ∈ IR Caso n seja finito, ∑n i f (xi ) = 1, caso contrário, ou seja, se n for infinito, ∑∞ i f (xi ) terá de ser uma série convergente de soma 1. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 8 / 26 Variáveis Aleatórias Discretas Função de distribuição de VAD Define-se função de distribuição, F(.), de uma variável aleatória como F (x) = P[X ≤ x ] F (.) - é uma função de conjunto, que faz corresponder a cada intervalo ]−∞, x [ a probabilidade da sua ocorrência. Essa função tem o doḿınio IR, conjunto de chegada [0, 1] e verifica as seguintes propriedades: a) 0 ≤ F (x) ≤ 1, ∀x ∈ IR b) F (x2) ≥ F (x1), ∀x1, x2 com x2 > x1, ou seja, F (.) é uma função monótona não decrescente c) lim x→−∞ F (x) = 0 e lim x→+∞ F (x)=1 d) P [x1 < X ≤ x2] = F (x2)− F (x1), ∀x1, x2 com x2 > x1 Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 9 / 26 Variáveis Aleatórias Discretas Função de distribuição de VAD Consideremos o exemplo anterior sobre os 3 componentes eletrônicos. Pela definição, F (x) = P [X ≤ x ]. Então, F (0) = P [X ≤ 0] = 18 F (1) = P [X ≤ 1] = f (0) + f (1) = 18 + 3 8 = 1 2 F (2) = P [X ≤ 2] = f (0) + f (1) + f (2) = 18 + 3 8 + 3 8 = 7 8 F (3) = P [X ≤ 3] = f (0) + f (1) + f (2) + f (3) = 18 + 3 8 + 3 8 + 1 8 = 1 F (3, 5) = P [X ≤ 3, 5] = f (0) + f (1) + f (2) + f (3) = F (3) Assim, a F (x) será: F (x) = 0 x < 0 1 8 0 ≤ x < 1 1 2 1 ≤ x < 2 7 8 2 ≤ x < 3 1 x ≥ 3 Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 10 / 26 Variáveis Aleatórias Discretas Forma do gráfico de uma função de distribuição: Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 11 / 26 Parâmetros de Variáveis Aleatórias Discretas Valor esperado, média ou Esperança Matemática da VAD Valor esperado: µx , µ ou E (x) E (x) = k∑ i xi f (xi ) Propriedades do Valor esperado Sendo X e Y duas variáveis aleatórias, e K uma constante, o Valor esperado verifica as seguintes propriedades: E [K ] = K E [Kx ] = KE [x ] E [X ± Y ] = E [X ]± E [Y ] E [XY ] = E [X ] · E [Y ], se X e Y forem independentes. Se X e Y não forem independentes, então E [XY ] = E [X ] · E [Y ] + cov(X ,Y ). Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 12 / 26 Parâmetros de Variáveis Aleatórias Discretas Variância e desvio-padrão de VAD VAR(X ) = σ2x = σ2 VAR(X ) = E [ (X − µx )2 ] - Média quadrática VAR(X ) = ∑ i (xi − µx )2 · f (xi ) - Variância σx = σ = + √ VAR(X ) - Desvio-padrão Propriedades da variância de VAD Sendo K uma constante real, e X e Y variáveis aleatórias, VAR(K ) = 0 VAR(KX ) = K 2VAR(X ) VAR(X ± Y ) = VAR(X ) + VAR(Y )± 2cov(X ,Y ). Porém, caso X e Y sejam independentes, VAR(X ± Y ) = VAR(X ) + VAR(Y ) VAR(X ) = E [ X 2 ] − E 2 [X ] Se X é uma variável aleatória tal que E (X ) = µ e VAR(X ) = σ2, a V. A. W = X−µσ tem parâmetros E (W ) = 0 e VAR(W ) = 1. Observe que E (X 2) = ∑ i x2i · f (xi ), se X é uma variável aleatória discreta. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 13 / 26 Parâmetros de Variáveis Aleatórias Discretas Covariância e coeficiente de correlação linear Para estudar as relações entre duas variáveis X e Y pode-se analisar a covariância e o coeficiente de correlação linear. Cov(X ,Y ) = E [(X − µx ) (Y − µy )] = σX ,Y e, portanto, Cov (X ,Y ) = ∑ i ∑ j(xi − µx ) (yj − µy ) f (xi , yj) Cov(X ,Y ) = E [XY ]− E [X ] E [Y ] note que como X e Y são VAD então E [XY ] = ∑ i ∑ j xi yj f (xi , yj). Se X e Y forem independentes, então Cov = 0, e como Cov(X ,Y ) = E [XY ]− E [X ] E [Y ] então E [XY ] = E [X ] E [Y ]. Coeficiente de correlação linear ρxy = Cov (X ,Y )√ VAR (X ) · VAR (Y ) = σxy σxσy Verifica-se que −1 ≤ ρxy ≤ 1. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 14 / 26 Variáveis Aleatórias Discretas Outro exemplo: Seja a experiência aleatória que, com o objectivo de controlar a qualidade dos iogurtes até cinco dias após a data de validade, consiste em analisar 4 retirados aleatoriamente. Se se designar por B-iogurte está em bom estado, e por E- iogurte está estragado: a) Construir o espaço amostral. b) Introduzir uma variável aleatória e classificar. c) Calcule a probabilidade de que dois (2) deles estejam estragados. d) Determine a função de probabilidade, f (x). e) Determine a função de distribuição, F (x). f) Qual é a quantidade média dos iogurtes estragados? g) Calcule a variância. h) Calcule o desvio-padrão. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 15 / 26 Variáveis Aleatórias Discretas Solução do exerćıcio: a) Ω = {(BBBB), (BBBE ), (BBEB), . . . , (EEBE ), (EEEB), (EEEE )} b) X - Número de iogurtes estragados, numa amostra de 4. É uma VAD. c) P [X = 2] = f (2) = 616 = 0.375 d) X x = 0 x = 1 x = 2 x = 3 x = 4 f (x) = P [X = x ] 116 4 16 6 16 4 16 1 16 e) F (x) = 0 x < 0 1 16 0 ≤ x < 1 5 16 1 ≤ x < 2 11 16 2 ≤ x < 3 15 16 3 ≤ x < 4 1 x ≥ 4 Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 16 / 26 Variáveis Aleatórias Discretas Solução do exerćıcio: f) E (X ) =? E (X ) = ∑ i xi f (xi ) = 0 · 1 16 + 1 · 4 16 + 2 · 6 16 + · · ·+ 4 · 1 16 = 32 16 = 2. g) VAR(X ) =? VAR(X ) = E ( X 2 ) − E 2 (X ), como E ( X 2 ) E ( X 2 ) = ∑ i x2i f (xi ) = 02 · 1 16 + 1 2 · 416 + 4 · 6 16 + · · ·+ 16 · 1 16 = 80 16 = 5 VAR(X ) = 5− 4 = 1. h) σx =? ⇒ σx = 1. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 17 / 26 Variáveis Aleatórias Cont́ınua Chama-se variável aleatória cont́ınua (VAC) a uma variável não-discreta que a sua função de distribuição pode ser representada como: F (x) = P(X ≤ x) = ∫ x −∞ f (u)du (−∞ < X <∞) onde a função f (x) tem as seguintes propriedades: 1. f (x) ≥ 0 2. ∫ ∞ −∞ f (x)dx = 1 Exemplos de variáveis aleatórias cont́ınuas: 1. Y-tempo de espera, em minutos, numa paragem de autocarros, até aparecer um autocarro. 2. X-consumo anual de energia eléctrica para fins domésticos, numa determinada região (em 109 KW). Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 18 / 26 Variáveis Aleatórias Cont́ınua Função densidade de probabilidade para VAC Se uma função satisfaz as propriedades 1 e 2 anteriores chama-se função de probabilidade f(x) ou distribuição de probabilidade de uma variável cont́ınua, mas é trivialmente chamada de função densidade de probabilidade ou apenas função densidade. Para obter o valor da probabilidade é usada a seguinte equação: P(a < X < b) = ∫ b a f (x)dx (1) Observe que, nas variáveis aleatórias cont́ınuas, a probabilidade de X assumir um valor particular é zero. Porém, a probabilidade de um intervalo, ou seja, de X assumir um valor entre dois valores, digamos a e b, é dada pela equação (1). Salienta-se que tem-se também que a: P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b) Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 19 / 26 Variáveis Aleatórias Cont́ınua Exemplo: a) Determine a constante c tal que a função f (x) = { cx2 0 < x < 3 0 caso contr ário é uma função densidade. b) Calcule P(1 < X < 2). Resolução: a) A f (x) é uma função densidade se: 1. f (x) ≥ 0 e 2. ∫ ∞ −∞ f (x)dx = 1. A propriedade 1 será satisfeita se c ≥ 0. Porém, a f (x) precisa também de satisfazer a propriedade 2 para ser uma função densidade. Então, ∫ ∞ −∞ f (x)dx = ∫ 3 0 cx2dx = cx 3 3 ∣∣∣3 0 = 9c e como esta integral deve ser igual a 1, então, c = 19 . Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 20 / 26 Variáveis Aleatórias Cont́ınua Resolução: b) P(1 < X < 2) = ∫ 2 1 1 9x 2dx = x 3 27 ∣∣∣2 1 = 727 Como em variáveis aleatórias cont́ınuas a probabilidade de X ser igual a um valor particular é zero, pode-se então concluir que: P(1 < X < 2) = P(1 ≤ X < 2) = P(1 < X ≤ 2) = P(1 ≤ X ≤ 2) = 727 Função de Distribuição de VAC F (x) = P(X ≤ x) = P(−∞ < X < x) = ∫ x −∞ f (u)du Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 21 / 26 Variáveis Aleatórias Cont́ınua Situações t́ıpicas do cálculo de probabilidades em VAC a) P(X < a) = P(X ≤ a) = F (a) = ∫ a −∞ f (x)dx b) P(X > a) = 1− P(X ≤ a) = 1− F (a) = 1− ∫ a −∞ f (x)dx ou P(X > a) = ∫ +∞ a f (x)dx c) P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b) = F (b)− F (a) = ∫ b a f (x)dx Esperança Matemática para variáveis aleatórias cont́ınuas E (X ) = ∫ +∞ −∞ xf (x)dx Variância para variáveis aleatórias cont́ınuas σ2(x) = E (X 2)− E 2(X ) e σ(x) = √ σ2(x) onde E (X 2) = ∫ +∞ −∞ x2f (x)dx Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 22 / 26 Variáveis Aleatórias Cont́ınua Exemplo 1: Se a função densidade de probabilidade de uma variável aleatória é dada por: f (x) = c√ x para 0 < X < 4 0 em qualquer outra parte a) Qual é o valor de c? b) Qual é a função de distribuição? c) P(X > 1) =? d) P(1 < X < 2) =? Exemplo 2: Dada a função: f (x) = x2 3 −1 < X < 2 0 caso contr ário a) Calcular a E(X). b) Calcule o desvio-padrão. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 23 / 26 Variáveis Aleatórias Cont́ınua Resolução 1: a) ∫ 4 0 c√ x dx = c ∫ 4 0 dx√ x = 2c √ x ∣∣∣4 0 = 4c, como 4c = 1⇒ c = 14 b) F (x) = ∫ x −∞ f (u)du = ∫ x −∞ du 4 √ u = √ x 2 c)P(X > 1) = 1− F (1) = 12 d)P(1 < X < 2) = F (2)− F (1) = √ 2−1 2 . Resolução 2: a) E (x) = ∫ 2 −1 x3 3 dx = 15 12 = 1, 25 b) σ2(x) = E (X 2)− [E (X )]2 E (X 2) = ∫ 2 −1 x4 3 dx = 2, 2 σ2(x) = 2, 2− (1, 25) 2 = 0, 6375⇒ σ(x) = √ 0, 6375 Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 24 / 26 Referências bibliográficas Morettin, L. G. Estat́ıstica Básica Probabilidade, vol. 1, 7a edição, São Paulo, 1999; Reis, E.et al.. Estat́ıstica Aplicada, vol. 1, Edições Śılabo, 2007; Wilton De O. Bussab and Pedro A. Morettin, Estat́ıstica Básica, 8a edição, Saraiva, São paulo, 2013. Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 25 / 26 OBRIGADO Aula Teórica 7 (ISUTC) Probabilidades e Estat́ıstica 24 de outubro de 2021 26 / 26