Introdu¸c˜ ao ` a probabilidade e estat´ıstica I
Vari´aveis Aleat´orias
Prof. Alexandre G Patriota Sala: 298A
Email: patriota@ime.usp.br Site: www.ime.usp.br/∼patriota
Probabilidade
Daqui por diante utilizaremos a seguinte defini¸c˜ao de probabilidade.
Seja (Ω,A,P) um espa¸co de probabilidade. Ent˜ao, 1. P(∅) = 0,P(Ω) = 1
2. Se A1,A2, . . .∈ As˜ao conjuntos (mensur´aveis tais que a uni˜ao tamb´em ´e mensur´avel) disjuntos ent˜ao
P
[
i≥1
Ai
=X
i≥1
P(Ai)
Fun¸c˜ oes do espa¸co amostral
Seja (Ω,A,P) um espa¸co de probabilidade eX : Ω→Ruma fun¸c˜ao real. A fim de introduzir os conceitos, considere que Ω ´e enumer´avel eA= 2Ω (o conjunto das partes de Ω)
SejamA∈ Ae B⊆R, ent˜ao definimos
X(A) ={X(ω)∈R: ω∈A} e X−1(B) ={ω∈Ω : X(ω)∈B}.
O conjunto de valores queX pode assumir (conjunto imagem) ´e definido porX =X(Ω).
Exemplos
Seja Ω um conjunto de pessoas, ent˜ao para cadaω∈Ω, temos as seguintes fun¸c˜oes:
1. X(ω) = “peso do indiv´ıduoω”
2. Y(ω) = “n´umero de filhos deω”
3. W(ω) = “sal´ario do indiv´ıduoω”
Vari´ avel aleat´ oria
Seja (Ω,A,P) um modelo de probabilidade eX : Ω→Ruma fun¸c˜ao real de Ω.
A fun¸c˜aoX ser´a uma vari´avel aleat´oria sempre que existir uma medida de probabilidade para o evento
X−1 (−∞,a]
para todoa∈R. Lembre que:
X−1(A) ={ω∈Ω : X(ω)∈A}.
e queP :A →[0,1], portanto verificar se existe uma probabilidade para um eventoX−1(A) ´e equivalente a verificar se X−1(A)∈ A.
Probabilidade para a Vari´ avel aleat´ oria
SejaB um subconjunto dos reais, denotaremos a probabilidade de X ∈B por
PX(X ∈B)≡P(X−1(B)) =P({ω∈Ω : X(ω)∈B}) sempre que existir tal probabilidade (ou seja, sempreB for mensur´avel).
quandoB ={b} denotaremos por
PX(X =b)≡P(X−1({b})) =P({ω ∈Ω : X(ω) =b}).
Quando n˜ao houver conflitos de nota¸c˜ao utilizaremos PX ≡P
Exemplo 1
Seja Ω ={(c,c),(c,k),(k,c),(k,k)} com P({ω}) = 14 para ω∈Ω (ou seja, todos os elementos de A= 2Ω tem probabilidades bem definidas).
DefinimosX(ω) = 1 se ω∈ {(c,c),(c,k)} e zero caso contr´ario.
Quais os poss´ıveis valores queX pode assumir?
A fun¸c˜aoX ´e uma vari´avel aleat´oria?
Verificando se X ´ e uma v.a.
Para os conjuntos da formaA= (−∞,a] temos que:
1. sea<0,
X−1(A) =∅ e P(X−1(A)) = 0.
2. se 0≤a<1 ent˜ao
X−1(A) ={(k,c),(k,k)} e P(X−1(A)) = 1/2.
3. sea≥1 ent˜ao
X−1(A) = Ω e P(X−1(A)) = 1.
Portanto: X ´e de fato uma vari´avel aleat´oria e note que P(X = 0) = 1
2 e P(X = 1) = 1 2.
Exemplo 2
Seja Ω ={(c,c),(c,k),(k,c),(k,k)} com P({ω}) = 14 para ω∈Ω (ou seja, todos os elementos de A= 2Ω tem probabilidades bem definidas).
DefinimosY(ω) = n´umero de caras deω.
Quais os valores poss´ıveis paraY?
Y ´e uma vari´avel aleat´oria?
Verificando se Y ´ e uma v.a.
Para os conjuntos da formaA= (−∞,a] temos que:
1. sea<0, ent˜ao
Y−1(A) =∅ e P(Y−1(A)) = 0.
2. se 0≤a<1, ent˜ao
Y−1(A) ={(k,k)} e P(Y−1(A)) = 1/4.
3. se 1≤a<2, ent˜ao
Y−1(A) ={(c,k),(k,c),(k,k)} eP(Y−1(A)) = 3/4.
4. sea≥2 ent˜ao
Y−1(A) = Ω e P(Y−1(A)) = 1.
PortantoY ´e uma vari´avel aleat´oria
Suporte de uma vari´ avel aleat´ oria
Seja (Ω,A,P) um espa¸co de probabilidade eX uma vari´avel aleat´oria.
Definimos o suporte de uma vari´avel aleat´oriaX como o menor conjuntoSX ⊆Rtal que
P(X ∈SX) = 1.
Tipos de vari´ aveis aleat´ orias
Vari´aveis aleat´orias discretas: Uma vari´avel aleat´oriaX : Ω→R cujo suporteSX ´e um conjunto enumer´avel ´e dita ser discreta (ex:
SX ={0,1},SX ={1,2,3}).
Vari´aveis aleat´orias cont´ınuas: Uma vari´avel aleat´oria
X : Ω→Rcujo suporteSX ´e um conjunto n˜ao-enumer´avel ´e dita ser cont´ınua (ex: SX = (0,1), SX = (3,5), SX = (0,∞),SX =R).
Exemplos
Seja Ω um conjunto de pessoas, ent˜ao para cadaω∈Ω, temos as seguintes fun¸c˜oes:
Vari´aveis cont´ınuas:
X(ω) = “peso do indiv´ıduoω”
W(ω) = “sal´ario do indiv´ıduoω”
M(ω) = “tempo de vida do indiv´ıduo ω”
Vari´aveis discretas:
Y(ω) = “n´umero de filhos deω”
Z(ω) = “n´umero de irm˜aos de ω”
K(ω) = “n´umero de empregos de ω”
Vari´ aveis aleat´ orias discretas
Seja (Ω,A,P) um espa¸co de probabilide eX uma vari´avel aleat´oria.
SeSX ´e enumer´avel ent˜ao podemos escrevˆe-lo da seguinte forma SX ={x1,x2, . . .} tal que
P(X =k)>0 sek ∈SX, P(X =k) = 0 sek 6∈SX
Note tamb´em que:
Observe que{x1},{x2}, . . . formam uma parti¸c˜ao de SX.
Vari´ aveis aleat´ orias discretas
Como{x1},{x2}, . . . formam uma parti¸c˜ao deSX, temos que:
∞
X
i=1
P(X =xi) = 1
A probabilidade deX ∈B com B ⊆SX ´e calculada por P(X ∈B) =X
k∈B
P(X =k)
O conjuntoSX e a medida de probabilidadeP nos d˜ao toda a informa¸c˜ao sobre a vari´avelX. Podemos, neste caso, esquecer do espa¸co original (Ω,A,P) e trabalhar apenas com SX e P.
Esperan¸ca
SejaX uma vari´avel aleat´oria discreta com suporteSX e medida de probabilidadeP.
A Esperan¸ca matem´atica deX ´e definida por E(X) = X
k∈SX
kP(X =k)
Sejag uma fun¸c˜ao real, a Esperan¸ca matem´atica deg(X) ´e definida por
E(g(X)) = X
k∈SX
g(k)P(X =k)
A esperan¸ca matem´atica nos informa o valor central dos valores de X utilizando a pondera¸c˜ao de suas respectivas probabildiades.
Esperan¸ca - Propriedades
SejaX uma v.a. discreta com suporte SX e fun¸c˜ao de probabilidadeP.
I Se a∈R´e uma constante, ent˜aoE(a) =a;
I Se a∈R´e uma constante, ent˜aoE(aX) =aE(X);
I Se a,b ∈R s˜ao constantes, ent˜aoE(aX +b) =aE(X) +b;
Prove as propriedades acima. Calcule a esperan¸ca matem´atica para alguns dos exemplos estudados em sala.
Variˆ ancia
SejaX uma v.a. discreta com suporte SX e fun¸c˜ao de probabilidadeP.
A variˆancia de X ´e definida por
VAR(X) = X
k∈SX
[k−E(X)]2P(X =k) A variˆancia nos informa o grau de variabilidade de X.
Variˆ ancia - Propriedades
SejaX uma v.a. discreta com fun¸c˜ao de probabilidade P.
I Se a∈R´e uma constante, ent˜ao Var(a) = 0;
I Se a∈R´e uma constante, ent˜ao Var(aX) =a2Var(X);
I Se a,b ∈R s˜ao constantes, ent˜ao Var(aX +b) =a2Var(X);
I Var(X) =E(X2)−[E(X)]2. Prove as propriedades acima.
Calcule a variˆancia para os exemplos estudados em sala.
Fun¸c˜ ao de distribui¸c˜ ao acumulada
SejaX uma v.a. discreta com suporte SX e fun¸c˜ao de probabilidadeP.
A distribui¸c˜ao acumulada deX ´e definida por F(t) =P(X ≤t)
parat ∈R. Calcule a fun¸c˜ao de distribui¸c˜ao para todos os exemplos dados em sala.
Observe que: seF ´e uma fun¸c˜ao de distribui¸c˜ao acumulada ent˜ao F ´e n˜ao decrescente e:
x→−∞lim F(x) = 0, lim
x→+∞F(x) = 1.
Al´em disso: P(X =x) =F(x+)−F(x−), em que F(x+) = lim
y→x+F(y) e F(x−) = lim
y→x−F(y)
Exemplo
ConsidereX uma vari´avel discreta com suporte SX ={1,2,3}e P(X =i) =pi para i = 1,2,3. SejaB ={2,3}.
Considerep1 =p2=p3 = 13 e depois fa¸ca para o caso geral os pontos abaixo
I Calcule P(X ∈B),
I Calcule E(X) eE(√ X),
I Calcule VAR(X),
I Calcule a fun¸c˜ao de distribui¸c˜ao acumuladaF(t) para todo t ∈R.
Representa¸c˜ ao em tabelas
SejaX uma vari´avel aleat´oria,SX ={x1,x2, . . . ,xn} seu suporte com medida de probabilidade defrinida porP(X =xi) =pi para i = 1,2, . . . ,n.
Um representa¸c˜ao para a distribui¸c˜ao de probabilidades de X pode ser
X x1 x2 . . . xn
P p1 p2 . . . pn
Principais vari´ aveis aleat´ orias discretas
I Vari´avel Uniforme
I Vari´avel de Bernoulli
I Vari´avel Binomial
I Vari´avel geom´etrica
I Vari´avel de Poisson
I Vari´avel hipergeom´etrica
Vari´ avel Uniforme
SejaX uma vari´avel aleat´oria discreta com suporte
SX ={x1, . . . ,xn}. Dizemos queX ´e uma vari´avel uniforme quando
P(X =k) = 1 n para todo ok ∈SX sempre que n<∞.
Exemplo: sejaX uma v.a. discreta comSX ={1,2,3,4}e P(X = 1) =P(X = 2) =P(X = 3) =P(X = 4) = 1
4 Calcule a esperan¸ca, variˆancia e fun¸c˜ao distribui¸c˜ao acumulada.
Ver exemplo da Mega-Sena.
Vari´ avel de Bernoulli
Suponha que um experimento cujo resultado pode ser classificado como sucesso ou fracasso ´e executado (experimento de Bernoulli).
SejaX = 1 se o resultado for sucesso e X = 0 se for fracasso.
Dizemos queX ´e uma vari´avel aleat´oria de Bernoulli e sua fun¸c˜ao de probabilidade ´e definida por
P(X = 1) =p, P(X = 0) = 1−p e P(X 6∈ {0,1}) = 0 em quep∈(0,1) ´e um valor fixo e conhecido.
Mostre queE(X) =p, VAR(X) =p(1−p) e calcule F(t) para todo ot∈R.
Utilizaremos a nota¸c˜aoX ∼B(p) para denotar queX ´e uma vari´avel de Bernoulli.
Vari´ avel de Bernoulli
Note que a vari´avel de Bernoulli ´e discreta pois o suporte SX ={0,1}´e enumer´avel.
O experimento “lan¸car uma moeda e verificar se a face voltada para cima ´e cara” ´e um experimento de Bernoulli.
A vari´avelX, tal que X = 1 se o lado voltado para cima for cara e X = 0 caso contr´ario, ´e uma vari´avel aleat´oria de Bernoulli.
Ver exemplo da Mega-Sena: definaX = 1 se o n´umero apostado na megasena ´e o n´umero sorteado e zero caso contr´ario. Qual a esperan¸ca e variˆancia de X?
Vari´ avel Binomial
Suponha quen experimentos independentes de Bernoulli s˜ao executados (probabilidade de sucesso igual ap).
SejaX o n´umero de sucessos que ocorrem nosn experimentos, ent˜ao X ´e dita ser uma vari´avel aleat´oria binomial. Nota¸c˜ao:
X ∼Bin(n,p).
Pode-se mostrar que sua fun¸c˜ao de probabilidade ´e dada por P(X =k) =
n k
pk(1−p)n−k
parak = 0,1,2, . . . ,n e P(X =k) = 0 para k 6∈ {0,1,2, . . . ,n}.
O suporte ´eSX ={0,1,2, . . . ,n}.
Vari´ avel Binomial
SejaX ∼Bin(n,p).
Mostre que a esperan¸ca ´eE(X) =np e a variˆancia ´e VAR(X) =np(1−p).
Calcule a fun¸c˜ao distribui¸c˜ao acumulada.
Dica: use o binˆomio de Newton (a+b)n=Pn i=0
n i
aibn−i. Derive em rela¸c˜ao a a.
Vari´ avel Binomial – Exemplo
Um gerente de banco autorizou um empr´estimo para 10 pessoas cujos perfis indicam que a probabilidade de pagar o empr´estimo ´e 95% para cada uma. Assuma que os pagamentos ocorrem de maneira independente.
DefinaX como o n´umero de pessoas que efetuar´a o pagamento.
Calcule as probabilidadesP(X =k) parak = 0,1,2, . . . ,10 e a esperan¸ca deX.
Suponha que o empr´estimo para cada pessoa foi de 10 mil reais e os juros na data do vencimento ´e de 2%. Assuma que os caloteiros n˜ao retornar˜ao o pagamento em nenhuma data futura e
desconsidere a infla¸c˜ao do per´ıodo. Qual o lucro esperado que o gerente proporcionou ao banco? Qual o valor m´ınimo dos juros para que o lucro esperado seja positivo? Qual deveria ser a
probabilidade m´ınima de pagar o empr´estimo para que o Lucro seja positivo (usando um juros de 2%)?
Vari´ avel Geom´ etrica
Considere ensaios de Bernoulli.
SejaX o n´umero de ensaios de Bernoulli’s at´e que ocorra o primeiro sucesso. Dizemos queX tem distribui¸c˜ao geom´etrica.
Nota¸c˜ao X ∼Geo(p).
Pode-se mostrar que as probabilidades s˜ao dadas por P(X =k) =p(1−p)k−1
parak = 1,2, . . . e P(X =k) = 0 caso contr´ario. O suporte ent˜ao
´e dado porSX ={1,2,3, . . .}.
Mostre queE(X) = p1,VAR(X) = (1−p)p2 e calculeF(t) para todo ot ∈R .
Vari´ avel Geom´ etrica – Exemplo
SejaX o n´umero de liga¸c˜oes recebidas por uma central telefˆonica at´e que ocorra a primeira reclama¸c˜ao.
Assuma que a probabilidade de ocorrer uma liga¸c˜ao com reclama¸c˜ao ´e p= 0,1.
Calcule:
O n´umero esperado de liga¸c˜oes at´e receber a primeira reclama¸c˜ao.
A probabilidade de que a primeira reclama¸c˜ao ocorra ap´os a quinta liga¸c˜ao.
Vari´ avel de Poisson
SejaX o n´umero de eventos que ocorreram de um certo tipo que ocorreram num intervalo de tempo (ou superf´ıcie ou volume) utilizamos a distribui¸c˜ao de Poisson.
Dizemos queX tem distribui¸c˜ao de Poisson quando P(X =k) = e−λλk
k!
parak = 0,1,2, . . .e P(X =k) = 0 caso contr´ario. O suporte ´e dado porSX ={0,1,2, . . .}
Aqui,λ´e a taxa m´edia de ocorrˆencia do evento no intervalo de tempo (ou superf´ıcie ou volume) especificado.
Nota¸c˜ao X ∼Pois(λ).
Vari´ avel de Poisson
SejaX ∼Pois(λ).
Mostre queE(X) =λ, VAR(X) =λe calcule a fun¸c˜ao acumulada F(t) para todo o t ∈R
Note que:
I O evento “X =k” significa que o evento de interesse ocorreu k vezes no intervalo de tempo (ou superf´ıcie ou volume) especificado.
I Assume-se que a probabilidade de ocorrer o evento de interesse mais de uma vez num intervalo muito pequeno ´e desprez´ıvel.
Exemplo – Poisson
Estamos interessados em estudar a vari´avel X: o n´umero de falhas de um computador numa semana de opera¸c˜ao (cont´ınua). Assuma queX ∼Pois(λ)
Considere que a taxa m´edia de falhas por dia ´e de 0,5 falhas.
Calcule:
I A probabilidade de ocorrer mais de 3 falhas em uma semana de opera¸c˜ao.
I A m´edia.
I A variˆancia.
Vari´ avel Hipergeom´ etrica
Suponha que estamos interessados em estudar dois atributosAeB de uma popula¸c˜ao com N elementos, sendo r com o atributo Ae N−r com o atributoB.
Retiramos uma amostra den elementos da popula¸c˜ao. A vari´avel hipergeom´etrica ´e o n´umero de elementos que cont´em o atributoA.
Temos que
P(X =k) =
r k
N−r
n−k
N n
para max(0,n−N+r)≤k ≤min(r,n).
Pode-se mostrar queE(X) =np,VAR(X) =np(1−p)N−nN−1 em quep = Nr .
Exemplo – Hipergeom´ etrica – Bussab e Morretin, Estat´ıstica B´ asica.
Em problemas de controle de qualidade, lotes comN itens s˜ao examinados. O n´umero de itens com defeito (atributo A), r, ´e desconhecido. Colhemos uma amostra den itens e determinamos k.
Somente para ilustrar, suponha que num lote deN= 100 pe¸cas, r= 10 sejam defeituosas. Escolhendo n= 5 pe¸cas sem reposi¸c˜ao.
Calcule:
I a probabilidade de n˜ao se obter pe¸cas defeituosas,
I a probabilidade de obter exatamente 3 pe¸cas defeituosas,
I a probabilidade de obter pelo menos duas pe¸cas defeituosas
I a esperan¸ca matem´atica
I a variˆancia
I a fun¸c˜ao de distribui¸c˜ao acumulada
Principais distribui¸c˜ oes discretas
Fonte: Bussab, W.O. e Morettin, P.A. (2012). Estat´ıstica B´asica.