Você está na página 1de 106

Mestrado em Engenharia Eltrica

Disciplina: Probabilidade e Processos Estocsticos


Parte 2: Variveis e Vetores Aleatrios

Jos Raimundo Gomes Pereira


josergpereira@gmail.com

13 de Abril de 2017
Referncias:

ROSS, S. M. Introduction to Probability Models. Ninth


Edition. Academic Press, 2007
KAY, S. Intuitive Probability and Random Processes using
MATLAB. Springer, 2006.
WASSERMAN, A. All of Statistics. A Concise Course in
Statistical Inference. Springer, 2004.
DEKKING, F.M.; KRAAIKAMP, C.; LOPUHA, H.P. e
MEESTER, L.E. A Modern Introduction to Probability and
Statistics. Understanding Why and How. Springer, 2005.
STATISTICS TOLBOX. For use with MATLAB. Users Guide.
2003.(www.mathworks.com).
TORGO, L. Introduo Programao em R. 2006.
(http://www.r-project.org)
Variveis Aleatrias

Em problemas reais, empregamos modelos probabilsticos para


descrever o comportamento das ocorrncias. As observaes so
tratadas como resultantes de um experimento aleatrio e
associamos nmeros reais a cada resultado do experimento.

Definio: Uma varivel aleatria uma funo X () que associa


um nmero real X (s) a cada elemento s S.

Em alguns casos os elementos s S so numricos, podemos ter


X (s) = s.

O objetivo obter a probabilidades da ocorrncia de valores de


interesse para a varivel aleatria.
Exemplo 2.1

1. Lanar trs vezes uma moeda e observar o nmero de caras


obtido

X : o nmero de caras
2. Contar o nmero de voice packets contendo somente silncio
produzido por N locutores em um perodo de 10ms.

Y : o nmero de pacotes somente com silncio


3. Realizar experimentos para medir o consumo de energia na
execuo de um cdigo em um sistema embarcado

T : o consumo de energia
Classificao de Variveis Aleatrias

DISCRETA se o conjunto dos seus valores finito ou infinito


enumervel.

Exemplo:
Contar o nmero de voice packets contendo somente silncio
produzido por N locutores em um perodo de 10ms.

CONTNUA se assume valores em um intervalo, ou uma coleo de


intervalos, de nmeros reais.

Exemplo:
Realizar experimentos para medir o consumo de energia na
execuo de cdigos em sistemas embarcados
Eventos com Variveis Aleatrias

Para eventos definidos para uma v.a. X , temos as equivalncias


{X = x1 } {s S : X (s) = x1 }

{X x2 } {s S : X (s) x2 }
{X > x3 } {s S : X (s) > x3 }
{x4 X x5 } {s S : x4 X (s) x5 }
onde xi R, i = 1, 2, 3, 4, 5

Portanto, para qualquer I R,

P(X I ) = P(s S : X (s) I )


Funo de Distribuio - definio

A funo de distribuio (f.d.), ou funo de distribuio


acumulada (f.d.a.), para uma v.a. X definida por

F (x) = P(X x), x R.

X x R, 0 F (x) 1

X Descreve a distribuio de probabilidade sobre R, pode ser


empregada para caracterizar completamente a distribuio de
probabilidade da v.a.

X A probabilidade de qualquer evento para uma v.a. pode ser


descrita pela sua f.d.
Referncia:
ROSS(2007), Chapter 2
KAY(2006), Chapter 5.
Exemplo 2.2

Considere o experimento de lanar trs vezes uma moeda (honesta).


(a) Obter o espao amostral para o experimento.
(b) Considere a v.a.

X : o nmero de caras nos lanamentos

e determine:
(b.1) P(X = 2)
(b.2) P(X 1)
(b.3) a f.d. de X .
Funo de Distribuio - propriedades

1. F (x) no decrescente em x, isto ,

x1 < x2 F (x1 ) F (x2 ).


2. limx F (x) = F () = 0.
3. limx F (x) = F () = 1.
4. Para x1 < x2 .

P(x1 < X x2 ) = F (x2 ) F (x1 ).

5. P(X > x) = 1 F (x).


Exerccio.
Verificar as propriedades da funo de distribuio apresentadas.
Varivel Aleatria Discreta

Para uma v.a. discreta X , com valores x1 , x2 , x3 , ..., definida a


funo de probabilidade (f.p.) por

P(X = xi ), para cada xi {x1 , x2 , x3 , ...}

Propriedades:
1. 0 P(X = xi ) 1, i = 1, 2, 3, ..
2. P(X = x) = 0, x 6= xi , i = 1, 2, 3, ..
3. i P(X = xi ) = 1
4. FX (x) = xi x P(X = xi )

Referncia:
ROSS(2007), Chapter 2
KAY(2006), Chapter 5.
Exemplo 2.3:

Uma fonte gera smbolos, aleatoriamente e independentemente, a


partir de quatro letras do alfabeto a, b, c, e d, com probabilidades,
respectivamente, de 1/2, 1/4, 1/8 e 1/8. Um procedimento
codifica esses smbolos em cdigos binrios como

a 0, b 10, c 110, d 111


Seja X uma v.a. que descreve o nmero de smbolos binrios na
codificao.
(a) Construa a f.p. de X .
(b) Encontre P(X > 1).
(c) Obtenha a f.d. de X .
Modelo de Bernoulli

Considere uma v.a X discreta que assume valores em {0, 1}, e para
p (0, 1),
P(X = 1) = p e P(X = 0) = 1 p.
Podemos escrever
P(X = x) = p x (1 p)1x , x {0, 1}.

1. Experimentos de Bernoulli: experimentos que admitem apenas


dois resultados possveis, denotados por

Sucesso = 1 Fracasso = 0.

2. Notao: X Bernoulli (p)


Exemplo 2.4:

Considere o experimento de selecionar ao acaso uma pea em um


lote com 96 peas boas e 4 defeituosas. Defina a v.a.

1 se a pea defeituosa

X=
0 se a pea boa

Temos P(X = 1) = 0, 04 e P(X = 0) = 0, 96

X Bernoulli (p = 0, 04)

P(X = x) = (0, 04)x (1 0, 04)1x , x = 0, 1


Modelo Binomial
Considere m repeties independentes de um experimento com dois
resultados de interesse, denominados de fracasso e sucesso, com
suas respectivas probabilidades constantes em todas as repeties,
defina a v.a.
Y : o nmero de sucessos nas m repeties.
Ento,
 
m y
P(Y = y ) = p (1 p)my , y = 0, 1, 2, ..., m.
y
onde p = P(sucesso ).
1. Experimento Binomial (Sequncia de Bernoulli): so
repeties independentes de um experimento de Bernoulli (p),
com p constante em todas as repeties.
2. Notao: Y Binomial (m, p)
Exemplo 2.5:

Os itens produzidos por uma mquina so defeituosos com


probabilidade 0,2, independentemente de qualquer outro item.
Sendo selecionada ao acaso uma amostra de cinco itens, qual a
probabilidade de:
(a) obtermos um defeituoso?
(b) obtermos no mximo trs defeituosos?
(c) obtermos pelo menos um defeituoso?

Exerccio
Verifique que a f.p. de Y Binomial (m, p) satisfaz
m
P(Y = y ) = 1
y =0
Implementao computacional

Para X Binomial (m, p)

1. No MATLAB:

P(X = x) binopdf (x, m, p)

P(X x) binocdf (x, m, p)


2. No R:

P(X = x) dbinom(x, m, p)

P(X x) pbinom(x, m, p)
Exemplo 2.6:

Considere as seguintes situaes:


(a) Dos alunos de uma grande universidade, sorteamos ao acaso 5
alunos e contamos quantos se declararam usurios de drogas.
(b) Selecionamos 20 lmpadas ao acaso em um supermercado,
sendo 10 de uma marca A e 10 de outra marca B. Contamos o
nmero de defeituosas.
(c) Um motorista submetido a um teste de baliza. Em 10
tetativas contamos o nmero de vezes que o motorista
estacionou corretamente.
O modelo Binomial adequado para estas situaes?
Modelo Geomtrico (1)

Considerando repeties independentes de um experimento de


Bernoulli (p), p constante em todas as repeties, defina a v.a.
Y : o nmero de repeties at o 1o sucesso.
Ento,
1. Os valores de Y pertencem a {1, 2, 3, ....}
2. A f.p.
P(Y = k) = (1 p)k1 p, k = 1, 2, 3....

3. Notao: Y Geomtrica(p)
Modelo Geomtrico (2)

Com relao as repeties independentes de um experimento de


Bernoulli (p), p constante em todas as repeties, podemos
considerar a v.a.
X : o nmero de repeties antes do 1o sucesso.
Neste caso,
1. Os valores de X pertencem a {0, 1, 2, 3, ....}
2. A f.p.
P(X = k) = (1 p)k p, k = 0, 1, 2, 3....

3. Temos a relao Y = X + 1
Implementao computacional

Para X Geometrica(p), (antes do primeiro sucesso; Y = X + 1)

1. No MATLAB:

P(X = x) geopdf (x, p)

P(X x) geocdf (x, p)


2. No R:

P(X = x) dgeom(x, p)

P(X x) pgeom(x, p)
Exemplo 2.7:

Considere exemplo anterior, sobre os itens produzidos por uma


mquina com probabilidade 0,2 de ser defeituoso,
independentemente de quaisquer outros. Suponha agora que os
itens so inspecionados um aps outro. Qual a probabilidade de ser
necessrio inspecionar cinco itens at ocorrer o primeiro defeituoso?

Exerccio.
Verifique que a f.p. de Y Geomtrica(p) satisfaz

P(Y = y ) = 1
y =1
Modelo de Multinomial
uma extenso do modelo Binomial onde, em cada uma das m
repeties independentes, so gerados k > 2 resultados de interesse
com suas respectivas probabilidades constantes. Definimos

Yi : o nmero de resultados do tipo i nas m repeties, i = 1, 2, ..., k.

Sendo pi = P(resultado do tipo i), para as v.a. Y1 , Y2 , Y3 , ..., Yk


temos

m!
P(Y1 = n1 , Y2 = n2 , ..., Yk = nk ) = p n1 p n2 ...pknk
n1 !n2 !...nk ! 1 2

onde ki=1 pi = 1 e n1 + n2 + ... + nk = m


1. Experimento Multinomial.
2. Notao: Y Multinomial (m, p1 , p2 , ..., pk )
Modelo de Poisson

Uma v.a. X discreta que assume valores em {0, 1, 2, 3, ....} e com


funo de probabilidade

e x
P(X = x) = , > 0, x = 0, 1, 2, ...
x!
1. Emprega-se esse modelo para descrever o nmero de
ocorrncias de eventos em intervalos (tempo, rea, volume,...)
2. a taxa mdia, ou intensidade, de ocorrncia do evento no
intervalo considerado
3. Notao: X Poisson( )
Modelo de Poisson

Propriedade:
Seja X Binomial (m, p). Para m e p 0, tal que a taxa
= m p permanece constante, ento

e x
P(X = x) , x = 0, 1, 2, ...
x!
X O modelo de Poisson aproxima a distribuio Binomial (m, p)
quando m grande e p pequeno.

Exerccio.
Fazer a verificao da propriedade apresentada para a distrbuio
X Poisson( ).
Exemplo 2.8:

Em uma central telefnica o nmero de chamadas pode ser


modelado por uma distribuio de Poisson, com taxa = 2/min.
Admitindo este modelo como verdadeiro, encontre a probabilidade
de:
(a) haver quatro chamadas em cinco minutos?
(b) haver doze chamadas em cinco minutos?
(c) haver, no mnimo, trs chamadas em dois minutos?
(d) haver cento e trinta chamadas em uma hora?
Implementao computacional

Para X Poisson( ), com > 0.

1. No MATLAB:

P(X = x) poisspdf (x, )

P(X x) poisscdf (x, )


2. No R:

P(X = x) dpois(x, )

P(X x) ppois(x, )
Exemplo 2.9:

No estudo de desempenho de uma central de computao, o


nmero de acessos a unidade CPU modelada por uma distribuio
de Poisson com taxa = 4/seg . Essas requisies podem ser vrias
natureza, tais como, imprimir um arquivo, efetuar um clculo,
enviar uma mensagem, entre outras.
(a) Qual a probabilidade de dois acessos em um segundo?
(b) Qual a probabilidade do nmero de acessos no ultrapassar
dois acessos em um segundo?
(c) Considerando um intervalo de dez segundos, qual a
probabilidade de haver mais de cinquenta acessos?
Funo de uma V. A. Discreta

H situaes que o interesse so transformaes da v.a. observada.

Seja X discreta, com valores x1 , x2 , x3 , ..., e considere uma funo


Y = g (X ) que gera valores y1 , y2 , y3 , .... Ento temos que

P(Y = yi ) = P(X = xj )
{j:g (xj )=yi }

Exemplos:
Y = cX + b
Y = Xk
c1 se X c

Y =
c2 se X > c
Exemplo 2.10:

1. Considere o exemplo da fonte que gera smbolos, aleatoria e


independentemente, a partir das letras a, b, c, e d, com
probabilidades, respectivamente, de 1/2, 1/4, 1/8 e 1/8, e que
so codificadas em cdigos binrios como: a 0; b 10;
c 110; d 111. Para X : o nmero de smbolos binrios na
codificao obtenha a f.p. de Y = 3x + 5.
2. Seja X uma v.a. com f.p.
x -1 0 1
P(X = x) 0,3 0,5 0,2
Obtenha a distribuio de Y = X 2 .
Valor Esperado de uma V. A. Discreta

Definio: a esperana (valor esperado, valor mdio) para uma v.a.


X discreta, com valores x1 , x2 , x3 , ..., definida por

E [X ] = xi P(X = xi )
i

X Caracteriza-se como uma mdia ponderada, cujos pesos so as


probabilidades e indica a regio dos valores da v.a. com a maior
concentrao de probabilidade.

Referncia:
ROSS(2007), Chapter 2
KAY(2006), Chapter 6.
Exemplo 2.11:

1. Considere o experimento de lanar trs vezes uma moeda


(honesta). Defina a varivel aleatria X como o nmero de
caras obtido. Qual o valor esperado para o nmero de caras?

2. Considere o exemplo da fonte que gera smbolos, aleatoria e


independentemente, a partir das letras a, b, c, e d, com
probabilidades, respectivamente, de 1/2, 1/4, 1/8 e 1/8, e que
so codificadas em cdigos binrios como: a 0; b 10;
c 110; d 111. Sendo X : o nmero de smbolos binrios na
codificao obtenha E (X ).
Exerccio:
Obter a esperana dos modelos de v.a. discretas apresentados.
Valor Esperado de Funes de V.A. Discretas

Seja X discreta, com valores x1 , x2 , x3 , ..., e considere uma funo


Y = g (X ) que gera valores y1 , y2 , y3 , .... Ento por definio

E [Y ] = g (xi )P(X = xi ).
i

De forma alternativa, podemos obter a distribuio de Y e


empreg-la para obter a E (Y ) que por definio dada por

E [Y ] = yj P(Y = yj )
j
Exemplo 2.12:

1. Considere o exemplo da fonte que gera smbolos, aleatoria e


independentemente, a partir das letras a, b, c, e d, com
probabilidades, respectivamente, de 1/2, 1/4, 1/8 e 1/8, e que
so codificadas em cdigos binrios como: a 0; b 10;
c 110; d 111. Para X : o nmero de smbolos binrios na
codificao seja Y = 3x + 5. Obtenha E (Y ).
2. Seja X uma v.a. com f.p.
x -1 0 1
P(X = x) 0,3 0,5 0,2
Para Y = X 2 obtenha E (Y ).
Varincia de uma V. A. Discreta
Definio:
A varincia de uma v.a. X definida por
Var [X ] = E {(X E [X ])2 }.

Ento, sendo X discreta com valores x1 , x2 , x3 , ..., temos que

Var [X ] = (xi E [X ])2 P(X = xi )


i

X Mensura a disperso (ou variabilidade) da distribuio da v.a.


com respeito a seu valor esperado.
Definio:
O desvio padro da v.a. X definido por
p
dp[X ] = + Var (X )

X A informao da varincia expressa na mesma unidade dos


valores associados a v.a.
Exemplo 2.13:

1. Obtenha a Var (X ), onde X o nmero de caras obtido no


experimento de lanar de uma moeda trs vezes, definido em
exemplo anterior.
2. Considere uma v.a. X Bernoulli (p). Obter a E [X ] e Var [X ].
Exerccio:
Obter a varincia dos modelos de v.a. discretas apresentados.
Propriedades da Esperana e Varincia

Seja X uma v.a. e a, b e c constantes.


1. E [c] = c
2. E [aX + b] = aE [X ] + b
3. Var [X ] = E [X 2 ] (E [X ])2
4. Var [X ] 0
5. Var [c] = 0
6. Var [cX ] = c 2 Var [X ]
7. Var [aX + b] = a2 Var [X ]
Exerccio:
1. Demonstrar cada uma das propriedades acima.
2. Em KAY(2006), estudar o Exemplo 6.3 e a discusso ao final
da Seo 6.6.
Funo Caracterstica de V.A. Discretas
Definio:
A funo caracterstica (f.c.) de uma v.a. X definida por
X (t) = E [e jtX ], t R,

onde j = 1. Para X discreta com com valores x1 , x2 , x3 , ...
temos que
X (t) = e jtxi P(X = xi ).
i

Propriedades
1. A f.c. sempre existe pois |X (t)| < .
2. Gera os momentos E [X n ] por

1 (n) (n) dn
E [X n ] = X (0), onde X (t) = X (t)
jn dt n

3. (Unicidade) Determina univocamente a distribuio da v.a.


Funo Caracterstica de V.A. Discretas
Teorema da Unicidade:
Se as v.a. X e Y tm a mesma f.c., ento elas tm a mesma
distribuio de probabilidade.
Comentrio:
A f.c. pode ser empregada para identificar se uma dada v.a. segue
uma distribuio cuja f.c. seja conhecida.
Exemplo 2.14
1. Considere uma v.a. X Bernoulli (p). Obter f.c. e empregar
para obter sua esperana e sua varincia.
Exerccio:
1. Obter a f.c. para os modelos de v.a. discretas apresentados.
2. Em KAY(2006) estudar o exemplo, relativo a Property 6.6,
sobre a aproximao da Binomial (m, p) pela Poisson( ), com
= mp.
Variveis Aleatrias Contnuas

Em muitos experimentos aleatrios possvel, ou conveniente,


associar seus resultados um conjunto no enumervel de valores.
Nestes casos, as respostas so modeladas por uma v.a. que
assumem qualquer valor em um adequado intervalo de nmeros
reais.

Exemplo:
Realizar experimentos para medir o consumo de energia na
execuo de cdigos em sistemas embarcados.

Definio:
Uma v.a. X dita contnua se assume valores em um intervalo, ou
uma coleo de intervalos, de nmeros reais.
Referncia: KAY(2006), Chapter 10.
Variveis Aleatrias Contnuas

A cada v.a. contnua estar associada uma funo que descreve o


seu comportamento probabilstico; denominada funo densidade
de probabilidade.

Definio:
Para uma v.a. contnua X , a funo densidade de probabilidade
(f.d.p.) uma funo f () que satisfaz a:
(1) f (x) 0 para todo x R
R
(2) f (x) dx =1
(3) Para B R, P(X B) =
R
B f (x) dx
Variveis Aleatrias Contnuas

Definio:
Sendo X uma v.a. com f.d. F (), dizemos que X contnua se
existe uma funo f () 0, tal que
Z x
F (x) = P( < X x) = f (t) dt, x R.

1. Se X contnua, ento F (), sendo uma integral de f (),


contnua.
2. Pelas propriedades de F (),

F (x), se diferencivel em x
f (x) =
0, se no diferencivel em x
Variveis Aleatrias Contnuas

A funo densidade de probabilidade descreve a distribuio de


probabilidade da v.a. contnua
A probabilidade P(a X b) equivale a rea sob a curva de
f () entre a e b
Pela definio, a R,
Z a
P(X = a) = f (x) dx = 0.
a
Portanto,
P(a X b) = P(a X < b)
= P(a < X b)
= P(a < X < b).
Variveis Aleatrias Contnuas

Podemos avaliar a probabilidade de que X estar prximo de a


com o argumento matmtico

a+ 2
Z
P(a X a+ ) = f (x) dx
2 2 a 2
f (a),

com 0.

Ento, fazendo suficientemente pequeno, f (a) uma medida de


quo provvel que X estar prximo de a.
Exemplo 2.14:

Admita que o tempo de trasmisso de uma mensagem, em u.t., em


um sistema de comunicao descrito por uma v.a. X (contnua)
tal que

P(X > x) = e x , x 0,
para uma contante > 0.
(a) Qual a probabilidade do tempo de transmisso
ser maior que 2 u.t.?
(b) Obtenha a f.d. de X .
(c) Obtenha a f.d.p. de X .
Modelo Uniforme Contnuo
Uma v.a. contnua X tem distribuio uniforme em (a, b) R se
sua f.d.p.
 1
f (x) = ba , se a < x < b
0, caso contrrio

1. A funo f (x) constante em (a, b);


2. As probabilidades de intervalos so proporcionais a seus
comprimentos;
3. Notao: X Uniforme (a, b).
Exemplo 2.15
1. Obter a f.d. para X Uniforme (a, b).
2. Seja X Uniforme (0, 10). Determine:
(a) P(X < 3)
(b) P(X > 7)
(c) P(1 < X < 6)
Modelo Exponencial

Uma v.a. contnua X com valores em [0, ) dita ter distribuio


Exponencial de parmeto se sua f.d.p.
e x , se x 0, > 0

f (x) =
0, caso contrrio

1. empregado para modelar tempo de vida de componentes,


durao de processos,...
2. A f.d.
1 e x , se x 0

F (x) =
0, caso contrrio

3. Notao: X Exponencial ( ).
Exemplo 2.16:

1. Obter a f.d. para X Exponencial ( ).


2. Mostre que para X Exponencial ( ) e 0 < a < b,

P(a < X < b) = e a e b

3. Assuma que o tempo de durao de ligaes telefnicas (min)


em uma empresa que trabalha com vendas pode ser modelada
por uma v.a X Exponencial ( = 1/10). Determine a
probabilidade de:
(a) a ligao demorar menos de cinco minutos?
(b) a ligao demorar de cinco a dez minutos?
Modelo Gama

Uma v.a. contnua X com valores em [0, ), de parmetos > 0 e


> 0 e sua f.d.p. dada por
1 e x , se x 0
(
( ) x
1
f (x) =
0, caso contrrio

onde Z
( ) = e s s 1 ds,
0
denominada funo matemtica gama.

Notao: X Gama ( , ).
Modelo Gama

1. A funo matemtica ( ) tem as propriedades:



1.1 (1/2) =
1.2 ( + 1) = ( )
1.3 Se = m inteiro, (m) = (m 1)!
2. Gama (1, ) Exponencial ( )
3. Se = m inteiro, conhecida como distribuio de Erlang .
m m1 e x , se x 0
(
(m1)! x
1
f (x) =
0, caso contrrio

modela a soma dos tempos de vida de componentes que


atuem independentemente em sistemas.
Exemplo 2.17:

Considere no exemplo anterior o tempo de duas ligaes telefnicas


consecutivas e admita que suas duraes so eventos
independentes. Admita que os tempos de durao das ligaes
telefnicas (min) podem ser modelados por v.a.

Xi Exponencial ( = 1/10), i = 1, 2.

Seja T a v.a. que descreve o tempo de durao das duas ligaes,


ento T = X1 + X2 . Neste caso, podemos modelar

T Gama ( = 2, = 1/10).
Qual a probabilidade do tempo das duas ligaes ser menor que
quinze minutos?
Modelo Normal (Gaussiano)

Uma v.a. contnua X tem distribuio normal com parmetros e


2 , se sua f.d.p.
(  )
1 1 x 2

fX (x) = exp , < x <
2 2

1. A distribuio simtrica em torno do valor de .


2. A extenso do grfico da densidade dado pelo valor de .
3. considerada distribuio mais importante, descreve o
comportamento de muitas caractersticas associadas a
problemas reais.
4. X N( ; 2 )
Modelo Normal: Alguns Resultados

1. Sendo X N( ; 2 ) e Y = a X + b, com a 6= 0 e b R, ento


Y N(a + b; a2 2 )
2. Sendo X N( ; 2 ) e fazendo

X
Z= ,

ento Z N(0; 1), denominada normal padronizada.
3. As probabilidade para a normal padronizada so tabeladas; o
procedimento padronizar a varivel em questo e empregar
as probabilidades tabeladas para N(0; 1).
Exemplo 2.18:

1. Seja Z N(0; 1). Para esta varivel determine:


(a) P(Z < 1, 32)
(b) P(Z < 1, 96)
(c) Um valor z tal que P(z < Z < z) = 0, 95
2. Os depsitos efetuados em uma agncia bancria durante um
determinado ms so modelados por uma v.a.
Z N(10.000, (1.500)2 ). Encontrar a probabilidade de que o
depsito seja:
(a) um valor entre R$ 12.0000,00 e R$ 15.0000,00?
(b) maior que R$ 19.0000,00?
Exemplo 2.19:

O tempo para a realizao de um teste de aptido aplicados a


candidatos em um concurso modelado como uma v.a. com
distribuio normal de mdia 90 minutos e desvio padro 20
minutos. Esse tempo utilizado como um critrio de seleo.
(a) Para ser aprovado no teste, o candidato deve complet-lo em
menos de 80 minutos. Se 65 candidatos fizeram o teste,
quantos so esperados passar?
(b) Se os 5% melhores candidatos so alocados para os cargos
com melhor remunerao, quo rpido deve ser o candidato
para que obtenha esse cargo?
Funes de Distribuio no MATLAB

1. X Uniforme(a, b)
P(X x) unifcdf (x, a, b)

2. X Exponencial ( )
P(X x) expcdf (x, ); = 1/

3. X Gama( , )
P(X x) gamcdf (x, a, b); a = , b = 1/

4. X N( ; 2 )

P(X x) normcdf (x, , ); = 2
Funes de Distribuio no R

1. X Uniforme(a, b)
P(X x) punif (x, a, b)

2. X Exponencial ( )
P(X x) pexp(x, );

3. X Gama( , )
P(X x) pgamma(x, , );

4. X N( ; 2 )

P(X x) pnorm(x, , ); = 2
Funo de Distribuio Inversa

Definio: para uma v.a. X uma v.a., com f.d. F (), f.d. inversa
definida por

F 1 (p) = min {x : F (x) p}, p [0, 1].

Se F estritamente crescente e contnua ento F 1 (p) um nico


nmero x tal que
F (x) = P(X x) = p.
X Para p [0, 1], determina um valor x que estabelece a
probabilidade p a sua esquerda na distribuio de X .

Definio: a mediana da distribuio X definida por

med = FX1 (0, 5).


Funo de Distribuio Inversa no MATLAB

1. X Uniforme(a, b)
F 1 (p) = x : x = unifinv (p, a, b).

2. X Exponencial ( )
F 1 (p) = x : x = expinv (p, 1/ );

3. X Gama( , )
F 1 (p) = x : x = gaminv (p, , 1/ );

4. X N( ; 2 )

F 1 (p) = x : x = norminv (p, , ); = 2
Funes de Distribuio Inversa no R

1. X Uniforme(a, b)
F 1 (p) = x : x = qunif (p, a, b)

2. X Exponencial ( )
F 1 (p) = x : x = qexp(p, );

3. X Gama( , )
F 1 (p) = x : x = qgamma(p, , );

4. X N( ; 2 )

F 1 (p) = x : x = qnorm(p, , ); = 2
Exemplo 2.20:

1. Para uma v.a. X determine um valor x quando:


(a) X Exponencial(0, 05) e P(X > x) = 0, 01.
(b) X Normal(0; 1) e P(x < X < x) = 0, 95
2. Considere uma v.a. X Gama (2; 3). Obtenha a mediana
desta distribuio.
3. Sendo X Normal ( ; 2 ), qual a mediana da sua
distribuio?
Valor Esperado de uma V. A. Contnua

Definio: a esperana (valor esperado, valor mdio) de uma v.a.


contnua X , com f.d.p f (x), definida por
Z
E [X ] = x f (x) dx,

X Tem interpretao anloga s da v.a. discretas, um valor


numrico que visa caracterizar regio central da distribuio de
probabilidade da v.a.
X Se a distribuio de probabilidade da v.a. apresentar um ponto
de simetria, o valor esperado indicar este ponto.
Referncia: KAY(2006), Chapter 11.
Exemplo 2.21:

1. Seja X uma v.a. contnua com f.d.p.

3 x 2 , se 0 x 1

f (x) =
0, caso contrrio.

Obtenha a esperana de X .
2. Seja X Uniforme (a, b). Obter E [X ].
Exerccio:
Obter a esperana dos modelos de v.a. contnuas apresentados.
Valor Esperado de Funes de V. A. Contnuas

Sejam X uma v.a contnua, com f.d.p f (), e g () uma funo que
gera uma v.a. Y = g (X ) tambm continua. Ento, temos que
Z
E [Y ] = E [g (X )] = g (x) f (x) dx.

Observao:
possivel determinar a f.d.p de Y , fY (), e empreg-la para obter
Z
E [Y ] = y fY (y ) dy

Veja KAY(2006), Chapter 10, Appendix 10A.

Exemplo 2.22:
Para a v.a. X Uniforme(1, 1) e Y = X 2 , determine E [Y ].
Varincia de V. A. Contnuas

Definio: a varincia de uma v.a. X , com f.d.p f (x), definida


por
Var (X ) = E {(X E [X ])2 }.
Ento Z
Var (X ) = (x E [X ])2 f (x) dx.

X Interpretao anloga das v.a. discretas, mensura a disperso


(ou a variabilidade) da distribuio da v.a. com respeito a seu valor
esperado.
Exemplo 2.23:

1. Seja X uma v.a. contnua com f.d.p.

3 x 2 , se 0 x 1

f (x) =
0, caso contrrio.

Obtenha a varincia de X .
2. Seja X Uniforme (a, b). Obter Var [X ].
Exerccio:
Obter a varincia dos modelos de v.a. contnuas apresentados.
Propriedades da Esperana e Varincia

Todas as propriedades da Esperana e Varincia apresentadas para


as v.a. discretas so vlidas para as v.a. contnuas,
1. E [c] = c
2. E [aX + b] = aE [X ] + b
3. Var [X ] = E [X 2 ] (E [X ])2
4. Var [X ] 0
5. Var [c] = 0
6. Var [cX ] = c 2 Var [X ]
7. Var [aX + b] = a2 Var [X ]
Exerccio:
Demonstrar cada uma das propriedades acima sendo X uma v.a.
contnua.
Funo Caracterstica de V.A. Contnuas
Definio:
A funo caracterstica (f.c.) de uma v.a. X definida por
X (t) = E [e jtX ], t R,

onde j = 1. Para X contnua com f.d.p f (x) temos que
Z
X (t) = e jtx f (x) dx.

Propriedades
1. A f.c. sempre existe pois |X (t)| < .
2. Gera os momentos E [X n ] por

1 (n) (n) dn
E [X n ] = X (0), onde X (t) = X (t)
jn dt n

3. Teorema da Unicidade: Se as v.a. X e Y tm a mesma f.c.,


ento elas tm a mesma distribuio de probabilidade.
Funo Caracterstica de V.A. Contnuas
Comentrio:
A f.c. pode ser empregada para identificar se uma dada v.a. segue
uma distribuio cuja f.c. seja conhecida.
Exemplo 2.24
1. Considere uma v.a. X Uniforme(a, b). Obter f.c. e empregar
para obter sua esperana e sua varincia.
Exerccio:
1. Obter a f.c. para os modelos de v.a. contnuas apresentados e
empregar para obter a esperana e a varincia.
2. Empregar a f.c. para mostrar que, sendo X N( ; 2 ), temos
que:
2.1 para Y = a X + b, com a 6= 0 e b R, ento
Y N(a + b; a2 2 ).
2.2 para Z = X , ento Z N(0; 1).
Distribuio Conjunta de V. A.

Considere duas v.a. X e Y associadas a um experimento aleatrio.

s S RXY = {(X (s), Y (s)) R2 }


A funo de distribuio conjunta de X e Y definida por

F (x, y ) = P(X x, Y y ), < x, y < .


A definio vale para mais v.a.: X1 , X2 , ..., Xd

F (x1 , x2 , ..., xd ) = P(X1 x1 , X2 x2 , ..., Xd xd ),

com < xi < , i = 1, 2, ..., d.

Referncia: KAY(2006), Chapter 7 and Chapter 12.


Distribuio Conjunta de V. A.

Sero considerados os casos:


1. Para (X , Y ) discretas definimos a f.p. conjunta

p(xi , yj ) = P(X = xi , Y = yj ),
para todo (xi , yj ) pares de valores de (X , Y ).
2. Para (X , Y ) conjuntamente contnuas temos f.d.p. conjunta
f (, ) tal que
Z Z
P(X A, Y B) = f (x, y ) dx dy ,
A B
para todo A e B em R.
Distribuies Marginais

Podemos obter a distribuio marginal de cada uma das v.a. a


partir da distribuio conjunta
1. (X , Y ) discretas com f.p. conjunta p(xi , yi )
P(X = x) = p(x, yj ),
yj

P(Y = y ) = p(xi , y )
xi

2. (X , Y ) contnua com f.d.p. conjunta f (x, y )


Z
fX (x) = f (x, y ) dy ,

Z
fY (y ) = f (x, y ) dx,

Exemplo 2.24:

1. Seja (X , Y ) v.a. bidimensional com f.p. conjunta


Y \X 0 1 2
2 0.25 0.10 0.15
3 0.25 0.05 0.20
Obtenha as distribuies marginais de X e de Y .
2. Seja (X , Y ) com f.d.p. conjunta

x + y , 0 x 1, 0 y 1

f (x, y ) =
0, c.c

Obtenha as distribuies marginais de X e de Y .


V. A. Independentes

Considere os eventos

A = {s S : X (s) x}
B = {s S : Y (s) y }

Ento,

P(A B) = P(X (s) x, Y (s) y ) = F (x, y )

Se A e B so independentes, temos

P(A B) = P(A)P(B)
F (x, y ) = P(X (s) x)P(Y (s) Y )
F (x, y ) = FX (x)FY (y )
V. A. Independentes

Definio: As v.a. X e Y so independentes se e somente se

F (x, y ) = FX (x)FY (y ) (x, y ) R2


A definio implica que:
1. Para (X , Y ) discreta

P(X = xi , Y = yj ) = P(X = xi )P(Y = yj ) (xi , yj )

2. Para (X , Y ) contnua com f.d.p. conjunta f (x, y )

f (x, y ) = fX (x)fY (y ).

Exemplo 2.25:
Verifique se no exemplo anterior as v.a. so independentes.
Valor Esperado de g (X , Y )

Seja (X , Y ) v.a. bidimensional e g (, ) uma funo real.

Definio:
1. Para (X , Y ) v.a. bidimensional discreta

E [g (X , Y )] = g (xi , yj )P(X = xi , Y = yj )
xi yj

2. Para (X , Y ) v.a. bidimensional conjuntamente contnua


Z Z
E [g (X , Y )] = g (x, y )f (x, y ) dx dy .

Algumas Propriedades:

1. X e Y v.a., a e b constantes
E [aX + bY ] = aE [X ] + bE [Y ]

2. X1 , X2 , ..., Xd v.a., a1 , a2 , ..., ad constantes


d
E [a1 X1 + a2 X2 + ... + ad Xd ] = ai E [Xi ]
i =1

3. X e Y v.a. independentes, g () e h() funes


E [g (X )h(Y )] = E [g (X )]E [h(Y )]

4. X1 , ..., Xd v.a. independentes, g1 , ..., gd funes


d
E [g1 (X1 )g2 (X2 )...gd (Xd )] = E [gi (Xi )]
i =1
Covarincia e Varincia da Soma de V. A.

Definio: A covarincia entre duas v.a. X e Y definida por

Cov (X , Y ) = E {(X E [X ])(Y E [Y ])}

1. uma medida de variabilidade conjunta entre as v.a.


2. Valores + indicam que as v.a. tendem a crescer no mesmo
sentido, e valores - indicam sentidos opostos.
3. Resultado:

Cov (X , Y ) = E [XY ] E [X ]E [Y ] = Cov (Y , X )

uma medida simtrica.


Exemplo 2.26:

1. Seja (X , Y ) v.a. bidimensional com f.p. conjunta


Y \X 0 1 2
2 0.25 0.10 0.15
3 0.25 0.05 0.20
Obtenha a covarincia entre X e Y .
2. Seja (X , Y ) com f.d.p. conjunta

x + y , 0 x 1, 0 y 1

f (x, y ) =
0, c.c

Obtenha a covarincia entre X e Y .


Propriedades:

1. Cov (X , X ) = Var (X )
2. Com X e Y independentes, Cov (X , Y ) = 0.
3. Se a e b so constantes,

Cov (aX , bY ) = a b Cov (X , Y )

4. Cov (X , Y + Z ) = Cov (X , Y ) + Cov (X , Z )


5. Com X1 , ..., Xm e Y1 , ..., Yn v.a. e sendo a1 , a2 , ..., ad e
b1 , b2 , ..., bd constantes
m n m n
Cov ( ai Xi , bj Yj ) = ai bj Cov (Xi , Yj ).
i =1 j=1 i =1 j=1
Propriedades:

6. Com X1 , ..., Xm v.a.


m m
Var ( Xi ) = Var (Xi )
i =1 i =1
m1 m
+2 Cov (Xi , Yj )
i =1 j=i +1

7. Se X1 , ..., Xm so v.a. independentes duas a duas


m m
Var ( Xi ) = Var (Xi )
i =1 i =1

Exerccio:
Fazer a verificao destas propriedades.
Exemplo 2.27:

Seja Y Binomial (m, p) e defina, para cada repetio, as v.a.

1, se ocorre o sucesso

Xi =
0, se ocorre o fracasso

com i = 1, 2, .., m. Modele Y em termos das v.a. Xi s e obtenha


E [Y ] e Var [Y ].
Coeficiente de Correlao

Definio: O coeficiente de correlao entre duas v.a. X e Y


definido por

Cov (X , Y )
(X ,Y ) = p .
Var (X ) Var (Y )

1. uma medida que quantifica a associao linear entre as v.a.


2. 1 (X ,Y ) 1.
3. (X ,Y ) = 1 Y = aX + b, a > 0 e b R
4. (X ,Y ) = 1 Y = aX + b, a < 0 e b R.
5. (X ,Y ) = 0 ausncia de associao linear.
Exemplo 2.28

1. Seja (X , Y ) v.a. bidimensional com f.p. conjunta


Y \X 0 1 2
2 0.25 0.10 0.15
3 0.25 0.05 0.20
Obtenha o coeficiente de correlao entre X e Y .
2. Seja (X , Y ) com f.d.p. conjunta

x + y , 0 x 1, 0 y 1

f (x, y ) =
0, c.c

Obtenha o coeficiente de correlao entre X e Y .


Funo Caracterstica Conjunta
Definio:
A funo caracterstica (f.c.) de uma v.a. bidimensional (X , Y )
definida por
XY (t, s) = E [e j(tX +sY ) ], (t, s) R2 ,

onde j = 1.
Para (X , Y ) discreta, com f.p. conjunta p(xi , yj ), temos que

XY (t, s) = e j(txi +syj ) p(xi , yj )


xi yj

Para (X , Y ) conjuntamente contnua, com f.d.p. conjunta f (x, y ),


temos que
Z Z
XY (t, s) = e j(tx+sy ) f (x, y ) dx dy .

Funo Caracterstica Conjunta
Propriedades:
1. A f.c. sempre existe pois |XY (t, s)| < .
2. Gera os momentos conjuntos E [X m Y n ] por

1 (m+n) d m+n
E [X m Y n ] =
m+n X
(0, 0); XY (t, s)(m+n) (t) = XY (t, s)
j dt m ds n

3. Teorema da Unicidade tambm se verifica.


4. Para X e Y v.a. independentes, com f.c. X (t) e Y (s), temos

XY (t, s) = X (t) Y (s)

Exerccio:
1. Fazer a verificao da Propriedade 4.
2. Para X Poisson(1 ), Y Poisson(1 ), v.a. independentes, e
Z = X + Y , mostrar que Z Poisson( ), com = 1 + 2 .
Distribuio Condicional
Definio: Para X e Y v.a. com distribuio conjunta
1. (X , Y ) discreta com f.p. conjunta P(X = x, Y = y )

P(X = x, Y = y )
P(X = x|Y = y ) = , y com P(Y = y ) > 0
P(Y = y )

2. (X , Y ) contnua com f.d.p. conjunta fXY (x, y )

fXY (x, y )
fX |Y =y (x|y ) = , y com fY (y ) > 0.
fY (y )

X So distribuies de probabilidade, portanto


1. x P(X = x|Y = y ) = 1
R
2. fX |Y =y (x|y ) dx = 1

Referncia: KAY(2006), Chapter 8 and Chapter 13.


Exemplo 2.29

1. Seja (X , Y ) v.a. bidimensional com f.p. conjunta


Y \X 0 1 2
2 0.25 0.10 0.15
3 0.25 0.05 0.20
Obtenha a distribuio (condicional) de X dado Y = 2.
2. Seja (X , Y ) com f.d.p. conjunta

6xy (2 x y ), 0 x 1, 0 y 1

f (x, y ) =
0, c.c

Obtenha a distribuio (condicional) fX |Y =y (x|y ).


3. Sejam X Poisson(1 ) e Y Poisson(2 ) independentes.
Determine a distribuio de X dado X + Y = k
Esperana Condicional

Definio: A esperana condicional de X dado Y = y


1. (X , Y ) discreta com f.p. conjunta P(X = x, Y = y ) e
P(Y = y ) > 0

E [X |Y = y ] = x P(X = x|Y = y )
x

2. (X , Y ) contnua com f.d.p. conjunta fXY (x, y ) e fY (y ) > 0


Z
E [X |Y = y ] = x fX |Y =y (x|y ) dx

Exemplo 2.30:
Com relao ao exemplo anterior, determinar as esperanas
condicionais para as distribuies obtidas.
Esperana Condicional
Resultado 1: para a funo E [X |Y ], cujo valor em Y = y dado
por E [X |Y = y ], temos que
E [X ] = E {E [X |Y ]}
Com Y discreta
E [X ] = E [X |Y = y ] P(Y = y )
y

Com Y contnua Z
E [X ] = E [X |Y = y ] fY (y ) dy

Resultado 2: Se X e Y so independentes, ento


E [X |Y = y ] = E [X ] e E [Y |X = x] = E [Y ]

Exerccio:
Fazer a verificao destes resultados.
Aplicao:

A soma de um nmero aleatrio de v.a:


Sejam X1 , X2 , X3 , ... v.a. independentes, todas com a mesma
distribuio (v.a.i.i.d), e seja N uma v.a. discreta com valores em
{1, 2, 3, ....}. Considere que N independente do Xi s e defina

Y = X1 + X2 + X3 + ... + XN .

Mostrar que
(a) E [Y ] = E [X1 ] E [N]
(b) Var [Y ] = Var [X1 ] E [N] + E 2 [X1 ] Var [N]
Clculo de Probabilidade por Condicionamento
Para o evento {X A} defina uma v.a. como

1 se X A

W=
0 se X A

E [W ] = P(X A) e E [W |Y = y ] = P{(X A)|Y = y }.

Resultado:

P(X A) = E [W ] = E {E [W |Y ]} = E {P[(X A)|Y ]}.


Com Y discreta
P(X A) = P{(X A)|Y = y } P(Y = y )
y

Com Y contnua Z
P(X A) = P{(X A)|Y = y } fY (y ) dy

Exemplo 2.31:

1. Considere X e Y v.a. contnuas e independentes e T = X + Y .


(a) Mostrar que
Z
FT (t) = FX (t y ) fY (y ) dy .

(b) Com X Exp(1 ) e Y Exp(2 ), obter a f.d.p. de T .


2. Para uma central de servios h uma probabilidade p de que
cada servio seja executado corretamente e as execues so
independentes. Suponha que as solicitaes de servio, em um
dado intervalo de tempo, chegam segundo um modelo de
Poisson( ). Qual a probabilidade de serem executados
corretamente k servios no intervalo tempo considerado?
Teorema Central do Limite
Sejam X1 , X2 , X3 , ... v.a. independentes e indenticamente
distribuidas (iid), com mdia E [X ] e varincia Var [X ] finita (< ).
Seja Sn = ni=1 Xi . Ento com n , temos que

Sn n E [X ]
Sn N(n E [X ]; n Var [X ]) ou p N(0; 1)
n Var [X ]

Temos que, com Z N(0; 1),


! Z s
Sn n E [X ]
P p s fZ (z) dz
n Var [X ]

Comentrios:
Pelo TCL, a distribuio da soma de uma quantidade grande
v.a. iid pode ser aproximada por uma distribuio Normal ,
sem ser necessrio conhecer a distribuio das v.a.
Referncia: KAY(2006), Chapter 15, Section 15.5.
Exemplo 2.32:

1. Seja X Binomial (50; 0, 5). Obtenha uma aproximao para:


(a) P(X > 30).
(b) P(X = 40)
2. (ROSS(2007), Chapter 3). The lifetime of a special type of
battery is a random variable with mean 40 hours and standard
deviation 20 hours. A battery is used until it fails, at which
point it is replaced by a new one. Assuming a stockpile of 25
such batteries, the lifetimes of which are independent,
approximate the probability that over 1100 hours of use can be
obtained.
Simulao Computacional de V.A.
Simulao computacional de um sistema envolve a simulao de
observaes de uma v.a. com especificada distribuio de
probabilidade.
Exemplo:
Suponha que o objetivo seja simular o nmero de e-mail que
chegam a uma central de processamento um fixado intervalo de
tempo. Definimos a v.a.
X : o nmero de e-mail que chegam no intervalo

empregar um modelo e simular observaes de X

A simulao de v.a., em geral, consiste em gerar um nmero


aleatrio a partir da Uniforme(0; 1), transform-lo para gerar a
observao do modelo desejado.

MATLAB: rand gera nmero pseudo aleatrio Uniforme(0; 1)


Simulao Computacional de V.A.: Exemplos
Empregar a funo rand para as seguintes questes.
1. Simular computacionalmente um sequncia de CARAS (C ) e
COROAS (K ) no lanamento de uma moeda viciada com
P(C ) = 0.4. Propor um algoritmo.
2. Propor um algoritmo para simular observaes do nmero de
peas defeituosas em caixas de um determinado produto, onde
podemos considerar que os defeitos ocorrem de forma
independente na linha de produo e sabendo que as peas so
embaladas em caixas com 10 itens.
3. Propor um algoritmo para simular observaes da distribuio
conjunta
Y \X 0 1 2
2 0.25 0.10 0.15
3 0.25 0.05 0.20
Simulao Computacional

Observao:
1. A simulao de observaes de alguns modelos exigem o
emprego de resultados de Probabilidade no discutidos na
disciplina. Veja, por exemplo, KAY(2006), Section 10.9.
2. A credibilidade de um estudo de simulao depende
fundamentalmente do gerador de nmeros (pseudos) aleatrios
empregado e, dependendo da extenso do estudo, devem ser
ser feitas avaliaes com a relao a aleatriedade e a
independncia dos valores gerados.
3. Uma referncia sobre a assunto:
ROSS, S. (2002) Simulation. 3rd Edition. Academic Press.
Simulao Computacional

Funes para simular observaes de v.a.

Modelo Matlab R
Binomial (m, p) binornd (m, p, n, d) rbinom(n, m, p)
Geometrica(p) geornd (p, n, d) rgeom(n, p)
Poisson( ) poissrnd( , n, d) rpois(x, )
Uniforme(a, b) unifrnd (a, b, n, d) runif (n, a, b)
Exponencial ( ) exprnd (1/ , n, d) rexp(n, )
Gama( , ) gamrnd( , 1/ , n, d) rgamma(n, , )
N( ; 2 ) normrnd( , , n, d) rnorm(n, , )
Vetores Aleatrios
Um vetor cujas componentes so v.a.: X = (X1 , X2 , ..., Xd )T
1. Funo de distribuio conjunta

F (x1 , x2 , x3 , ..., xd ) = P(X1 x1 , X2 x2 , X3 x3 , ..., Xd xd ),

com < xi < , i = 1, 2, ..., d.


2. Conjuntamente discreto f.p. conjunta

P(X = x) = P(X1 = x1 , X2 = x2 , X3 = x3 , ..., Xd = xd )

3. Conjuntamente contnuo f.d.p. conjunta

fX (x) = fX1 X2 X3 ...Xd (x1 , x2 , x3 , ..., xd )

Notao: x = (x1 , x2 , x3 , ..., xd )T Rd

Referncia: KAY(2006), Chapter 9 and Chapter 14.


Vetores Aleatrios: Caracterizao
Vetor de Mdias:
E [X1 ]
E [X2 ]
E [X] = ..

.


E [Xd ]
Matrix de Covarincias:
CX = E {(X E [X])(X E [X])T }

que resulta em
11 12 13 . . . 1d

12 22 23 . . . 2d
CX = .. .. .. ..

. . . .

...
d1 d2 d3 . . . dd

onde ij = cov (Xi , Xj ) = E {(Xi E [Xi ])(Xj E [Xj ])}.


Vetores Aleatrios: Propriedades
1. Matriz de covarincias simtrica e a diagonal principal
contm as varincias das v.a. em X.
2. Se as v.a. em X so conjuntamente independentes, ento

CX = diag (11 , 22 , 33 , ..., dd )

3. Sendo a(d1) vetor de constantes (6= 0), b R e Y = aT X + b


ento

E [Y ] = aT E [X] + b e Var [Y ] = aT CX a.

4. Com A(md) , m d, matrix de constantes e Y = AX, ento

E [Y] = AE [X] e CY = ACX AT .

5. Pode ser obtida uma transformao de X para Y com m.c.


diagonal.
Distribuio Multinomial
uma extenso do modelo Binomial onde, em cada uma das m
repeties independentes, so gerados k > 2 resultados de interesse
com suas respectivas probabilidades constantes. Definimos

Yi : o nmero de resultados do tipo i nas m repeties, i = 1, 2, ..., d.

Sendo pi = P(resultado do tipo i), para as v.a. Y1 , Y2 , Y3 , ..., Yd


temos

m!
P(Y1 = n1 , Y2 = n2 , ..., Yd = nd ) = p n1 p n2 ...pdnd
n1 !n2 !...nd ! 1 2

onde ki=1 pi = 1 e n1 + n2 + ... + nd = m


1. Temos Y = (Y1 , Y2 , Y3 , ..., Yd )T
2. Notao: Y Multinomial (m, p1 , p2 , ..., pd )
Distribuio Multinomial
Exerccio:
Seja Y Multinomial (m, p1 , p2 , ..., pd ). Mostre que o vetor de
mdia e a matriz covarincias so, respectivamente,

m p1
m p2
E [Y] = .

..
m pd
e


m p1 (1 p1 ) m p1 p2 m p1 p3 ... m p1 pd
m p2 p1 m p2 (1 p2 ) m p2 p3 ... m p2 pd
CY = .. .. .. ..

. . . .

...
m pd p1 m pd p2 m pd p3 . . . m pd (1 pd )
Distribuio Normal Multivariada (DNM)

Um v.a. X(d1) tem distribuio normal (gaussian) multivariada


com parmetros (d1) e (dd) (no singular) se sua f.d.p.
conjunta dada por
1 1
fX (x) = exp{ (x )T 1 (x )}
d
(2 ) (det( ))
2
1
2 2

1. Resultados:
(a) Vetor de mdias: E [X] =
(b) Matriz de covarincias: COV [X] =
2. O vetor define a localizao e os valores na matriz a
forma da distribuio no espao Rd
3. Notao: X Nd ( , ).
DNM: Propriedades
1. As v.a. em X so independentes se, e somente se,
= diag (11 , 22 , 33 , ..., dd )

2. Com a(d1) vetor de constantes (6= 0), b R e Y = aT X + b


ento
Y N(aT + b, aT a)
cada v.a. em X tem distribuio normal.
3. Com A(md) , m d, matrix de constantes e Y = AX, ento
Y Nm (A , A AT ).

subconjuntos (6= 0)
/ de v.a. em X tem distribuio normal.
4. Sendo Z Nd (0, I(dd) ) e A tal que AAT = , ento
Y = AZ + Nd ( , )

Exerccio: Fazer a verificao destes resultados.


DNM: Simulao

Para simular observaes de X Nd ( , ) a propriedade 4 pode


ser empregada; fixados e , emprega-se a decomposio de
Choleski para obter a matrix A.

Exerccio:
Propor e implementar um algoritmo para simular observaes com
DNM empregando a propriedade 4.

Funes para simulao:


Simular observaes de uma distribuio Nd ( , ):
(a) No Matlab: Statistics Toolbox e funo mvnrnd(Mu, Sigma, n)
(b) No R: Pacote mvtnorm e funo rmvnorm(n, Mu, Sigma).
Observao: A dimenso d inferida da dimenso do vetor
Mu declarado na funo.