Apres 2

V ariaveis Aleat orias Discretas Vari aveis bidimensionais V ariaveis Aleat orias Continuas
Estatstica Descritiva e Explorat oria

Gledson Luiz Picharski
e
Wanderson Rodrigo Rocha
Universidade Federal do Paran a
9 de Maio de 2008
Gledson Luiz Picharski e Wanderson Rodrigo Rocha Universidade Federal do Paran a
Estatstica Descritiva e explorat oria
1
V ariaveis Aleat orias Discretas
2
Vari aveis bidimensionais
3
V ariaveis Aleat orias Continuas
Introduc ao
Podemos associar n umeros a eventos aleat orios, como no caso do
lancamento de uma moeda duas vezes.
= {(c, k)(k, c)(c, c)(k, k)}
Sendo X a quantidade de caras, teremos: X = {0, 1, 2}
X(k, k) = 0
X(c, k) = X(k, c) = 1
X(c, c) = 2
Func ao Discreta de Probabilidade
A func ao que atribui a cada valor da vari avel aleat oria sua
probabilidade e denominada de func ao discreta de
probabilidade ou, simplesmente, func ao de probabilidade.
P(X = x
i
) = p(x
i
) = p
i
, i = 1, 2, . . .
Ou ainda:
X x
1
x
2
x
3
. . .
p
i
p
1
p
2
p
3
. . .
Onde seja satisfeito: 0 p
i
1 e
p
i
= 1
Func ao Distribuic ao de Probabilidade
A func ao distribuic ao ou func ao acumulada, refere-se a
probabilidade at e um certo valor da vari avel.
F(X) = P(X x)
Sabendo este conceito ca f acil obter a acumulada apartir de
uma densidade.
Medidas de Posic ao para v.a. Discretas
No caso de conhecermos a distribuic ao de uma vari avel,
podemos obter as medidas de tendencia central com o uso das
probabilidades.
X 2 5 8 15 20
p
i
0,1 0,3 0,2 0,2 0,2
E(X) = 2 0, 1 + 5 0, 3 + 8 0, 2 + 15 0, 2 + 20 0, 2
Neste exemplo a esperanca de X e calculada da mesma forma
que uma m edia ponderada, que neste caso est a sendo
ponderada pelas probabilidades de ocorrencia do evento.
Para obter a mediana, devemos vericar que 50% do conjunto
para cada lado.
x P(X x) P(X x)
2 0,1 1,0
5 0,4 0,9
8* 0,6* 0,6*
15 0,8 0,4
20 1,0 0,2
Md = 8, pois:
P(X 8) 0, 5 e
P(X 8) 0, 5
E(X) = =
k
i=1
x
i
p
i
E(X) = =
n
i=1
x
i
n
P(X Md) 1/2 e P(X Md) 1/2
P(X = Mo) = max(p
1
, p
2
, . . . , p
n
)
Medidas de Dispers ao para v.a Discretas
Vari ancia
2
= Var(X) =
k
i=1
(x
i
)
2
p
i
2
= Var(X) =
n
i=1
x
2
i
p
i
(
n
i=1
x
i
p
i
)
2
=
n
i=1
x
2
i
p
i

2
Var(X) = E(X
2
) [E(X)]
2
Desvio Padr ao
Sd(X) = Dp(X) = =

2
Freq u encia Esperada x Freq u encia Observada
Caso haja conhecimento sobre o modelo probabilstico,
pode-se avaliar a ader encia de dados amostrais ` a este modelo.
Exemplo:
Num estudo sobre a incid encia de c ancer foi registrado, para
cada paciente com esse diagn ostico, o n umero de casos de
c ancer em parentes pr oximos (pais, irm aos, lhos, primos e
sobrinhos). Os dados de 26 pacientes s ao os seguintes:
Estudos anteriores assumem que a incid encia de c ancer e,
parentes pr oximos pode ser teoricamente modelada pela
seguinte func ao discreta de probabilidade:
Incid encia 0 1 2 3 4 5
p
i
0,1 0,1 0,3 0,3 0,1 0,1
Fazendo comparac ao dos dados obtidos com o modelo te orico
podemos observar a tendencia dos dados.
Incid encia n
i
e
i
0 4 2,6
1 4 2,6
2 6 7,8
3 6 7,8
4 2 2,6
5 4 2,6
Total 26 26
O gr aco mostra uma comparac ao entre os dados observados
e esperados.
Modelo Uniforme Discreto
Seja X uma vari avel aleat oria discreta cujos possveis valores
s ao representados por x
1
, x
2
, x
3
, , x
k
.
Dizemos que X segue o modelo Uniforme Discreto se sua
func ao de probabilidade e dada por:
P(X = x
j
) =
1
k
, j = 1, 2, 3, , k.
Modelo Bernoulli
Em muitas situac oes pr aticas a vari avel de interesse assume
somente dois valores:
uma peca e classicada como boa ou defeituosa;
o entrevistado concorda ou n ao com a armac ao feita;
a vacina imunizou ou n ao a crianca.
Estas situac oes t em alternativas dicot omicas, que genericamente
podem ser representadas por respostas do tipo sucesso-fracasso.
Experimentos deste tipo recebem o nome de Ensaios de Bernoulli e
d ao origem a uma vari avel aleat oria com o mesmo nome
Modelo Bernoulli
Com p representando a probabilidade de sucesso, 0 p 1,
sua func ao discreta de probabilidade e dada por:
P(X = x) = p
x
(1 p)
1x
, x = 0, 1.
OBS: A repetic ao de ensaios de Bernoulli independentes d a
origem ` a mais importante vari avel aleat oria discreta cujo
modelo e denominado Modelo Binomial.
Modelo Binomial
Considere a repetic ao de n ensaios de Bernoulli independentes
e todos com a mesma probabilidade de sucesso p.
A vari avel aleat oria X que conta o n umero total de sucessos e
denominada Binomial com par ametros n e p e a denotaremos
por X b(n, p).
Sua func ao de probabilidade e dada por:
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
, k = 0, 1, 2, , n.
Modelo Geom etrico
Dizemos que uma vari avel aleat oria X tem distribuic ao
Geom etrica de par ametro p, ie X G(p), se sua func ao de
probabilidade tem a forma
P(X = k) = p(1 p)
k
, 0 p 1, k = 0, 1, 2, .
Interpretando p como a probabilidade de sucesso, a
distribuic ao Geom etrica pode ser pensada como o n umero de
ensaios de Bernoulli at e o primeiro sucesso.
Modelo de Poisson
Uma vari avel aleat oria X tem distribuic ao de Poisson com
par ametro > 0, ie X Po(), se sua func ao de probabilidade
e dada por
P(X = k) =
e
k
k!
, k = 0, 1, 2, ,
com o par ametro sendo usualmente referido como a taxa de
ocorr encia ou tamb em a frequ encia m edia ou esperada de
ocorr encias num determinado intervalo de tempo.
1
2
3
Introduc ao
Em diversas an alises s ao comuns o estudo de muitas vari aveis,
ao aplicarmos um question ario por exemplo, o interesse pode
estar em registrar: sexo, idade, renda, time de prefer encia, etc.
Neste caso, cada respondente tem associado a si um vetor de
informac oes que representa uma observac ao multidimensional.
A partir disso podemos estudar conjuntamente as diversas
vari aveis aplicando ferramentas estatsticas adequadas.
Func ao de probabilidade conjunta
Sejam X e Y duas vari aveis aleat orias discretas origin arias do
mesmo fen omeno aleat orio e valores atribudos a partir do
mesmo espaco amostral teremos:
p(x, y) = P[(X = x) (Y = y)] = P(X = x, Y = y)
Propriedades:
1)
y
p(x, y) = 1
2)
x
p(x, y) = p(y)
3)
y
p(x, y) = p(x)
Exemplo
Uma regi ao foi subdividida em 10 sub-regi oes. Em cada uma
delas foram observadas duas vari aveis: O n umero de pocos
artesianos X e o n umero de riachos ou rios Y presentes na
sub-regiao. Os resultados encontrados foram:
sub-regi ao X Y
N umero de pocos N umero de rios
1 0 1
2 0 2
3 0 1
4 0 0
5 1 1
6 2 0
7 1 0
8 2 1
9 2 2
10 0 2
Espaco Amostral para a vari avel conjunta
A partir dos resultados encontrados anteriormente e
considerando que a probabilidade de selecionar alguma regi ao
seja de 1/10, teremos que os pares (x,y) apresentam as
seguintes probabilidades:
(x,y) P(X = x, Y = y)
(0,0) 1/10
(0,1) 2/10
(0,2) 2/10
(1,0) 1/10
(1,1) 1/10
(2,0) 1/10
(2,1) 1/10
(2,2) 1/10
Tabela de Dupla Entrada e Marginais para X e Y
Construindo a tabela de dupla entrada para a vari avel conjunta
(X,Y) obtemos:
X\Y 0 1 2 P(X = x)
0 1/10 2/10 2/10 5/10
1 1/10 1/10 0 2/10
2 1/10 1/10 1/10 3/10
P(Y = y) 3/10 4/10 3/10 1
Pode-se notar que as marginais na tabela de dupla entrada
correspondem aos valores que as vari aveis assumem em suas
tabelas de frequ encia individuais. Por exemplo: P(X = 0) =
P(X = 0, Y = 0) + P(X = 0, Y = 1) + P(X = 0, Y = 2) = 5/10
Probabilidade Condicional para vari aveis aleat orias
discretas
Sejam as vari aveis aleat orias discretas X e Y, temos que a
probabilidade de X = x dado a ocorr encia de um Y = y e dada
pela express ao:
P(X = x|Y = y) =
P(X = x Y = y)
P(Y = y)
Exemplo utilizando o exerccio anterior:
P(X = 0|Y = 1) =
P(X = 0 Y = 1)
P(Y = 1)
=
2/10
4/10
= 1/2
.
Independ encia entre vari aveis aleat orias discretas
Sejam X e Y vari aveis aleat orias discretas, teremos
independ encia entre as vari aveis quando:
P(X = x|Y = y) = P(X = x)
Ou de forma alternativa:
P(X = x, Y = y) = P(X = x)P(Y = y)
E de fundamental import ancia entender que X e Y ser ao

independentes se as relac oes acima forem v alidas para todos
os pares x e y.
Considere as vari aveis aleat orias X e Y com a tabela de dupla
entrada e as marginais representadas abaixo:
X\Y 2 3 4 5 P(X = x)
2 2/25 2/25 1/25 0 5/25
3 2/25 5/25 2/25 2/25 11/25
4 1/25 2/25 2/25 4/25 9/25
P(Y = y) 5/25 9/25 5/25 6/25 1
Considerando a distribuic ao conjunta acima observamos que X
e Y n ao s ao independentes pois:
P(X = 3, Y = 4) = 2/25 = P(X = 3)P(Y = 4) = 11/125
.
Covari ancia
Uma medida de depend encia linear entre X e Y pode ser dada
pela Covari ancia:
Cov(X, Y) = E[(X
x
)(Y
y
)] = E(XY) E(X)E(Y)
Se as vari aveis X e Y forem independentes teremos:
E(XY) = E(X)(Y)
o que implica: Cov(X, Y) = 0.
Obs: Se X e Y forem v ariaveis aleat orias Independentes
Cov(X, Y) = 0, mas se obtermos Cov(X, Y) = 0 n ao
necessariamente as vari aveis ser ao Independentes.
Coeciente de correlac ao e suas caractersticas
O coeciente de correlac ao entre duas vari aveis X e Y e
calculado pela seguinte express ao:
X,Y
=
Cov(X, Y)
Y
A divis ao pelos desvios-padr ao tem como objetivo padronizar a
medida para posteriores comparac oes. Propriedades:
X,Y
e adimensional;
1
X,Y
1;
valores pr oximos de -1 ou de 1 indicam forte correlac ao.
Outras propriedades Importantes
Outras propriedades importante na an alise de vari aveis
bidimensionais s ao dadas a seguir:
E(X + Y) = E(X) + E(Y)
A Esperanca da soma de duas vari aveis e igual a soma de
suas esperancas.
Var(X + Y) = VAR(X) + VAR(Y) + 2Cov(X, Y)
Temos que se X e Y forem independentes a Cov(X, Y) = 0 e a
vari ancia torna-se a soma das vari ancias de X e Y.
1
2
3
Introduc ao
Discutiremos agora a caracterizac ao de vari aveis cujos
possveis valores ocorrem aleatoriamente e pertencem a um
intervalo dos n umeros reais reais: vari aveis aleat orias
contnuas.
Exemplos de vari aveis aleat orias contnuas
Exemplos de vari aveis aleat orias contnuas:
-Renda;
-Sal ario;
-Tempo de uso de um equipamento;
-Comprimento de uma peca;
-
Area atingida por certa praga agrcola.

Podemos caracterizar completamente a atribuic ao de
probabilidades para o caso contnuo. Ela ser a denida pela
area abaixo de uma func ao positiva, denominada densidade de
probabilidade.
Func ao Densidade de Probabilidade
Dizemos que f (x) e uma func ao contnua de probabilidade ou
func ao densidade de probabilidade para uma vari avel aleat oria
contnua X, se satisfaz duas condic oes:
1
f (x) 0, para todo x (, ).
2
A area denida por f (x) e igual a 1, ou seja:
_
f (x)dx = 1.
Para calcularmos probabilidades por exemplo para a b.
Utilizaremos:
P(a X b) =
_
b
a
f (x)dx
A integral acima determina a area abaixo da func ao no
intervalo [a, b].
A probabilidade de um evento estar entre os valores [a, b] ser a
denida pela area compreendida entre esses valores.
OBS: Teremos area zero sob qualquer valor individual, ou seja,
P(X = k) = 0 para qualquer k. Com isso intervalos abertos ou
fechados n ao modicar ao o valor das probabilidades.
Exemplo
Arque ologos estudaram uma certa regi ao e estabeleceram um
modelo te orico para a vari avel X, comprimento de f osseis da
regi ao (em cm). Suponha que X e uma vari avel aleat oria
contnua coma a seguinte func ao densidade de probabilidade:
f (x) =
_
1
40
_
x
10
+ 1
_
0 x 20;
0, caso contr ario.
O gr aco da distribuic ao anterior teria o seguinte
comportamento:
x
f
(
x
)
0
.
0
2
5
0
0
.
0
3
7
5
0
.
0
5
0
0
0
.
0
6
2
5
0
.
0
7
5
0
0 5 10 15 20
Medidas de posic ao para vari aveis aleat orias
contnuas
Denic ao: Valor esperado tamb em conhecido por m edia,
expect ancia ou esperanca de uma vari avel aleat oria contnua X
e dado pela express ao :
E(X) = =
_
xf (x)dx
Denic ao: A mediana de uma vari avel aleat oria contnua e um
valor Md que satisfaz a seguinte propriedade :
P(X Md) 0, 5 e P(X Md) 0, 5
Moda de uma distribuic ao contnua
Denic ao: A moda de uma vari avel aleat oria X e o valor Mo tal
que:
f (Mo) = max
x
f (x)
ou seja, Mo e o valor de m aximo da func ao f (x).
Vari ancia de uma vari avel aleat oria contnua
Para uma vari avel aleat oria X com densidade f (x), a vari ancia
e dada por:
2
=
_
(x )
2
f (x)dx
Alternativamente, ela pode ser calculada por:
2
= E(X
2
)
2
Onde
E(X
2
) = =
_
x
2
f (x)dx
O desvio padr ao e calculado atrav es da raiz da vari ancia.
Modelo Uniforme Contnuo
O primeiro modelo a ser apresentado traz uma situac ao
an aloga ao modelo uniforme discreto. Uma vari avel que
assume valores no intervalo [a, b] com a < b , e dita ter
distribuic ao uniforme contnua se sua func ao densidade de
probabilidade e dada por :
f (x) =
_
_
_
1
b a
a x b;
0, caso contr ario.
Modelo Uniforme Contnuo
Neste caso, a func ao f (x) e constante no intervalo [a, b] e sua
area total pode ser calculada atrav es da area de um ret angulo
de base b a e altura 1/(b a). Pelo produto da base pela
altura do ret angulo, vericamos que esta e uma func ao
densidade de probabilidade pois sua area e igual a 1.
No modelo uniforme contnuo, a m edia e vari ancia s ao dados
respectivamente por :
E[X] =
a + b
2
V[X] =
(b a)
2
12
Modelo Exponencial
O modelo exponencial e muito aplicado quando o interesse e
descrever em termos probabilsticos o tempo (espaco) at e a
ocorr encia de um evento de interesse. Alguns exemplos de
vari aveis modeladas por esta distribuic ao s ao :
Tempo de espera na linha telef onica at e o servico de
atendimento
Tempo at e a ativac ao de um neur onio
Tempo de vida de um paciente com c ancer
Dist ancia at e encontrar uma deformidade em uma rodovia.
Modelo Exponencial
De forma mais geral, uma vari avel aleat oria contnua e
modelada pela distribuic ao exponencial se sua func ao
densidade de probabilidade e descrita por:
f (x) = e
x
, x 0
Modelo Exponencial
Para o modelo exponencial, a m edia e vari ancia s ao
inversamente proporcionais ao par ametro :
E[X] =
1/
V[X] =
1
2
.
Na distribuic ao exponencial, a probabilidade da vari avel
aleat oria pertencer ao intervalo (a,b) e obtida atrav es de :
P(a X b) =
_
b
a
e
x
dx = e
a
e
b

Apres 2

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apres 2

Enviado por

Direitos autorais:

Formatos disponíveis

V ariaveis Aleat orias Discretas Vari aveis bidimensionais V ariaveis Aleat orias Continuas

Estatstica Descritiva e Explorat oria

E de fundamental import ancia entender que X e Y ser ao

Area atingida por certa praga agrcola.

Você também pode gostar