Escolar Documentos
Profissional Documentos
Cultura Documentos
Estocástica PDF
Estocástica PDF
Von Zuben
DCA/FEEC/Unicamp
2 Probabilidade
Axioma 2: P S = 1.
O axioma 2 determina que, com probabilidade igual a 1, o resultado será um
ponto no espaço amostral S.
Proposição 2:
P E∪F = P E +P F −P E∩F .
= P E + P Ec ∩ F
P F = P E ∩ F + P Ec ∩ F
E F
I II III
• mostrando que
P E ∪ F = P E + P F − P II .
• logo, uma variável aleatória é uma função que aloca um ponto do espaço
amostral a cada resultado de um experimento aleatório. Dito de outro modo,
uma variável aleatória é uma função associada a um experimento, sendo que a
realização do experimento leva esta variável a assumir um valor dependente
do acaso, mas pertencente ao respectivo espaço amostral.
• cada vez que um experimento é realizado, o resultado obtido indica a
ocorrência ou não de um determinado evento (subconjunto do espaço
amostral).
• Formalização do conceito: Uma variável aleatória ξ é uma função com as
seguintes propriedades:
# ξ assume valores no espaço amostral S de um experimento;
# para todo evento E ⊂ S, a probabilidade de que ξ assuma um valor x ∈ E
após a realização do experimento, dada por P〈x ∈ E〉 = P〈E〉, é bem
definida (embora possa ser desconhecida).
• neste ponto do texto, o mais importante é dividir estes poucos tipos em duas
classes:
1. distribuições discretas: ocorrem em experimentos que requerem
contagem. Exemplos: pessoas com menos de 30 anos, mortes por câncer,
produtos com defeito.
2. distribuições contínuas: ocorrem em experimentos que requerem
medidas. Exemplos: tensão elétrica, pressão sangüínea, vazão de rio.
• para cada uma das duas classes, a respectiva função distribuição de
probabilidade Fξ (⋅) terá sempre associada a si:
fξ(z )
1
6
1 2 3 4 5 6 z
F ξ(z)
1
1
2
1 2 3 4 5 6 z
P x q < ξ ≤ x r = Fξ ( x r ) − Fξ ( x q ) .
z z
n
n
f ( z) = ∑ k p k q n − k δ( z − k )
k = 0
• Exemplos: sabendo que a probabilidade de um evento A ocorrer em um dado
experimento é p, a probabilidade deste evento A ocorrer k vezes em n ≥ k
experimentos (sob as mesmas condições) é dada por:
n
P A ocorrer k vezes = p k (1 − p )n − k
k
e a probabilidade deste evento A ocorrer até k vezes em n ≥ k experimentos
(sob as mesmas condições) é dada por:
k
n
P A ocorrer até k vezes = ∑ r p r (1 − p )n − r
r =0
j
os valores possíveis de j);
σ 2 = ∫− ∞ (x − ξ ) f ξ ( x )dx , para o caso contínuo.
+∞ 2
#
3.5 Momentos
# E [x1 + x 2 ] = E [x1 ] + E [x 2 ];
4 Medidas amostrais
N
1
• média amostral (N amostras): x =
N
∑ xk
k =1
1 N
• variância amostral: σ 2 = ∑ ( xk − x )2
N − 1 k =1
1 N
• desvio padrão amostral: σ = ∑ ( x k − x )2
N − 1 k =1
∑ ( xik − xi )(x jk − x j )
1 N
• covariância amostral: σ ij =
N − 1 k =1
σ ij
• coeficiente de correlação amostral: rij =
σi σ j
• embora seja uma tarefa simples, é necessário inferir uma ‘teoria’ acerca de
como o mundo ‘funciona’.
• a inferência bayesiana indica a probabilidade de cada hipótese, a partir dos
dados já observados, e é o resultado do uso de todas as hipóteses, devidamente
ponderadas.
• repare que não se adota aqui a escolha da hipótese mais provável para se
executar a tarefa de predição. Logo, a predição se transforma em um problema
de inferência probabilística.
• seja d = [d1 d 2 L d N ]T o vetor de dados já observados. Pela regra de
Bayes, a probabilidade de cada hipótese é dada por:
P hi d = αP d hi P hi
5
onde α é um fator de normalização definido de modo que ∑ P hi d = 1.
i =1
6 Referências
BULMER, M.G. “Principles of Statistics”, Dover, 1979.
DOS REIS, S.F. “Introdução ao Estudo de Probabilidade”, Notas de Aula do Curso de Genética Populacional
Teórica, IB/Unicamp, 2001.
EVANS, D.H. “Probability and Its Applications for Engineers”, ASQC Quality Press, 1992.
KREYSZIG, E. “Advanced Engineering Mathematics”, 7th edition, John Wiley & Sons, 1993.
LINDGREN, B.D. “Statistical Theory”, Macmillan Publishing Company, 1976.
LIPSCHUTZ, S. “Theory and Problems of Probability”, McGraw-Hill Book Company, 1965.
MARDIA, K.V., KENT, J.T. & BIBBY, J.M. “Multivariate Analysis”, Academic Press, 1979.
MONTGOMERY, D.C. & RUNGER, G.C. “Applied Statistics and Probability for Engineers”, John Wiley & Sons,
1994.
MOOD, A.M. & GRAYBILL, F.A. “Introduction to the Theory of Statistics”, McGraw-Hill Book Company, 1963.
PAPOULIS, A. “Probability, Random Variables, and Stochastic Processes”, Third Edition, McGraw-Hill, 1991.
ROSS, S. “A First Course in Probability”, Macmillan Publishing Company, 1984.
WALPOLE, R.E. & MYERS, R.H. “Probability and Statistics for Engineers and Scientists”, Fifth Edition,
Macmillan Publishing Company, 1993.