Probabilidade e Esperan - PowerPoint PPT Presentation

About This Presentation
Title:

Probabilidade e Esperan

Description:

Probabilidade e Esperan a Condicional Como definir apropriadamente FX(x | Y = y) e E(X | Y = y)? Duas situa es: Y discreto Y cont nuo Caso Discreto Propriedades ... – PowerPoint PPT presentation

Number of Views:95
Avg rating:3.0/5.0
Slides: 30
Provided by: pce76
Category:

less

Transcript and Presenter's Notes

Title: Probabilidade e Esperan


1
Probabilidade e Esperança Condicional
  • Como definir apropriadamente FX(x Y y) e E(X
    Y y)?
  • Duas situações
  • Y discreto
  • Y contínuo

2
Caso Discreto
3
Propriedades
  • P(X?B) Sy P(X?B Yy) P(Yy)
  • FX(x) P(X x) SyP(X x Yy) P(Yy)
  • FX,Y(x,y) P(X x, Y y) St P(X x Yt)
    P(Yt)
  • E(X) Sy E(XYy) P(Yy)
  • (ou seja, E(X) E(E(X Y))

4
Exemplo
  • O número de pessoas que visita uma academia
    diariamente tem distribuição de Poisson com
    parâmetro l. Cada visitante tem probabilidade p
    de ser homem, independentemente dos demais
    visitantes. Qual é a probabilidade de que k
    homens visitem a academia?

5
Exemplo
  • O número mensal de sinistros em uma dada carteira
    de seguros tem distribuição de Poisson com
    parâmetro l. O valor de cada sinistro tem
    distribuição exponencial de média m. Qual é o
    valor esperado para o total de sinistros pagos em
    um dado mês?

6
Caso Contínuo
  • FX(x Y y) e E(X Y y) são definidos de
    modo que as mesmas propriedades anteriores sejam
    válidas (devidamente adaptadas para Y contínua).

7
Propriedades (caso contínuo)
  • P(X?B) ? P(X?B Yy) fY(y)dy
  • FX(x) P(X x) ? P(X x Yy) fY(y)dy
  • FX,Y(x,y) P(X x, Y y) ?y-? P(X x Yt)
    fY(t)dt
  • E(X) ?E(XYy) fY(y)dy
  • (ou seja, E(X) E(E(X Y))

8
Caso contínuo
  • Caso geral
  • Quando X e Y tem distribuição conjunta
    contínua

9
Exemplo
  • Um ponto de coordenadas (X, Y) é escolhido ao
    acaso no triângulo da figura. Qual é a
    distribuição condicional de Y dado X?

1
1
10
Exemplo
  • Em uma cidade, o gerador de luz é ligado em um
    instante escolhido ao acaso entre 18 horas e
    meia-noite e desligado em um instante escolhido
    ao acaso entre o instante em que foi ligado e
    meia-noite.
  • Em média, quanto tempo ele fica ligado por noite?
  • Qual é a probabilidade de que seja desligado
    depois das 22 horas?
  • Qual é a probabilidade de que seja ligado antes
    da novela e desligado depois?

11
Exemplo
  • Se X e Y são independentes e têm densidades fX e
    fY, qual é a densidade de XY?

12
Exemplo
  • Uma moeda tem probabilidade P de dar cara, onde P
    tem distribuição uniforme em 0, 1. Qual é a
    densidade condicional de P dado que X 1?

13
Somas e médias de v.a. i.i.d.
  • Dada uma sequência de variáveis aleatórias i.i.d.
    X1, X2, , Xn , obter a distribuição de

14
Somas e médias de v.a. i.i.d.
  • Em geral, é complicado calcular a distribuição
    exata de Sn e X
  • Fácil calcular médias e variâncias

15
Somas e médias de v.a. i.i.d.
  • Quando n??, Var(X) ? 0
  • Isto sugere que X tenda a se concentrar em torno
    de sua média m.
  • É possível tornar esta afirmativa precisa?

16
Desigualdade de Markov
  • Seja X uma variável aleatória tal que X ? 0 e EX
    m. Então, para todo agt0

17
Desigualdade de Chebyshev
  • Seja X uma variável aleatória tal que EX m e
    Var(X) s2. Então, para todo d gt 0

18
Lei Fraca dos Grandes Números(Chebyshev, 1867)
  • Sejam X1, X2, v.a. i.i.d, com EX1 m e Var X1
    s2. Então, para todo d gt 0,

19
Lei Forte dos Grandes Números(Kolmogorov, 1925)
  • Sejam X1, X2, v.a. i.i.d, com EX1 m. Então
  • Em consequência, para todo d gt 0

20
Observações
  • Se EX ? , então X não é limitada (logo não
    converge), com probabilidade 1.
  • Exemplos
  • Jogo de São Petersburgo
  • XCauchy (fX(x) 1/(1x2))

21
Teorema Central do Limite
  • Estimativa para P(Xm?d) dada pela desigualdade
    de Chebyshev é extremamente conservativa.
  • É possível refiná-la?
  • Idéia padronizar X, subtraindo a média e a
    variância, de modo a ter média 0 e variância 1.
  • Resultado a distribuição da versão padronizada
    converge para uma distribuição fixa (a normal).

22
Teorema Central do Limite
  • Sejam X1, X2, v.a. i.i.d, com EX1 m e Var X1
    s2. A distribuição de
  • converge para a normal padrão

23
Noções de Simulação
  • Teorema Fundamental
  • Seja F uma f.d.a. qualquer e seja U uma v.a. com
    distribuição uniforme em 0, 1. A f.d.a da v.a.
    X F-1(U) é F.

24
Exemplos
  • Como gerar uma v.a. com distribuição exponencial
    l?
  • Como gerar uma v.a. com distribuição binomial (3
    0,6)?
  • Como gerar uma v.a. com distribuição N(60, 102)?

25
Para gerar v.a. normais
  • Algoritmo de Box-Muller
  • são normais e independentes

26
Método de aceitação/rejeição
  • Seja f uma função de densidade de probabilidade
    de suporte limitado a, b e tal que f(x) M,
    para todo x ? a, b .
  • Gerar U Ua, b e V U 0, 1, independentes,
    até que f(U) lt M.V
  • Retornar U (que é uma v.a. de densidade f)

27
Método de aceitação/rejeição
  • Método de aceitação/rejeitação

MV
U
28
Método de aceitação/rejeição
  • Sejam f e g funções de densidade de probabilidade
    de suporte limitado a, b e tal que f(x)
    Mg(x), para todo x ? a, b .
  • Gerar U Ua, b e V g, independentes, até que
    f(U) lt M.V
  • Retornar U (que é uma v.a. de densidade f)

29
Outros métodos
  • Algoritmo de Metrópolis
  • Importance Sampling
  • (MacKay, cap. 29)
Write a Comment
User Comments (0)
About PowerShow.com