Unicampjbosco/ia856/intro_prob_transp04.pdf · UMA INTRODUC¸ ˜ AO ` A PROBABILIDADE...
Transcript of Unicampjbosco/ia856/intro_prob_transp04.pdf · UMA INTRODUC¸ ˜ AO ` A PROBABILIDADE...
UM
AIN
TR
OD
UC
AO
AP
RO
BA
BIL
IDA
DE
JoaoB.R.doVal
Depto.deTelem
atica
–FEEC–UNICAMP
3dedezem
bro
de2011
FU
LL
SC
RE
EN
NE
XT
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
TR
UT
UR
AN
DO
RE
SU
LTA
DO
SD
EE
XP
ER
IME
NT
OS
•Ω=
espaco
amostral→
Conjuntode
todosos
possıveisresultados
Ex:
Ω=cara,
coroa;
Ω=1,2,3,4,5,6;
Ω=x
∈ℜ
;0≤
x≤
1
•eventos:Qualquersubconjunto
deΩ
pertencente
aum
aclasse
deconjuntos.
Algunssubconjuntosimportantes:
ωeum
evento
elem
entar
↔eum
ponto
generico
deΩ
Ω=
evento
certo;
/ 0=
evento
impossıvel
Associamos:resultados
deexperimentos
↔eventos
↔conjuntos
sentidode
abstracaocrescente−→
BA
CK
NE
XT
2/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
TR
UT
UR
AN
DO
RE
SU
LTA
DO
SD
EE
XP
ER
IME
NT
OS
Seja
A=
conjunto
deresultados
x
B=
conjunto
deresultados
y
Resultado
deExperimentos
Eventos
Conjuntos
“Ocorre
xou
y”↔
Aou
B↔
A⋃ B
“Ocorre
xe
y”↔
Ae
B↔
A⋂ B
“Nao
ocorre
x”↔
nao
A↔
Aou
Ac
“xe
ymutuamente
exclusivos
↔ou
Aou
B↔
A⋂ B
=/ 0
BA
CK
NE
XT
3/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
TR
UT
UR
AN
DO
AC
OL
ECA
OD
EC
ON
JU
NT
OS
•Subconjuntosform
amum
CA
MP
OD
EB
OR
EL.
F=
campode
Borel→
Um
camponaovazioFsatisfazendo
(i)Se
A∈Fentao
Ac∈F
(ii)Se
A,B
∈F
entao
A∪
B∈F
(iii)
Ω∈F
Propriedadesde
umcampo(oualgebraou
anel)de
Borel:
—/ 0∈F
—Se
Ae
B∈Fentao
A∩
B∈Fe
A−
B=
A∩
Bc∈F
BA
CK
NE
XT
4/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
EX
TE
NS
AO
DA
AL
GE
BR
A
•Extensao:
σ-algebradeBorel
(i)Se
Ai∈Fentao
Ac i∈F,i=
1,2,...
(ii)’Se
Ai∈F,i=
1,2,...entao⋃ ∞ i=
1A
i∈F
(iii)
Ω∈F
Exemplo:
Falenciado
Jogador
BA
CK
NE
XT
5/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
PR
OB
AB
ILID
AD
E
•Probabilidade:equalquer
funcao
real
definida
sobreaclasse
Fde
Borel,
P:F
→R
talquepara
A,B
∈F
:
(i)
P(A)≥
0
(ii)
P(Ω
)=
1
(iii)
Se
A∩
B=
/ 0entao
P(A
∪B)=
P(A)+
P(B)
Exs:
Ω=
cara,
coroa;par-ımpar;eventoselem
entares
•Propriedades:
1.P(/ 0)=
0
2.P(A
c )=
1−
P(A)
3.P(A
∪B)=
P(A)+
P(B)−
P(A
∩B)
4.Se
A⊂
Bentao
P(A)≤
P(B)
Prova
BA
CK
NE
XT
6/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
PA
COD
EP
RO
BA
BIL
IDA
DE
•Espacode
Probabilidade(Ω
,F,P)(oude
experimentos):
Ω=espaco
amostral,F=classe
deeventos,
P=
funcao
probabilidade
PR
OB
AB
ILID
AD
EC
ON
DIC
ION
AL
•Seja
Bum
evento
talque
P(B)>
0,entaopara
todo
evento
A
P(A|B)=
P(A
∩B)
P(B)
“eaprobabilidade
deAdado
que
Bocorreu”
P(·|
B)eprobabilidade
?
Exemplo:
Selecionar3cartas
sem
reposicao
eobtertres
azes.
BA
CK
NE
XT
7/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
PR
OB
AB
ILID
AD
ET
OT
AL
EB
AY
ES
•ProbabilidadeTotal:Sejam
A1,
A2,...,
Aneventosmutuamente
exclusi-
voscom
P(A
i)>
0,talque
B⊂
A1∪
A2∪...∪
Anentao
P(B)=
n ∑ i=1
P(B|A
i)·P
(Ai)
Prova
•RegradeBayes:
P(A
j|B)=
P(B|A
j)·P
(Aj)
n ∑ i=1P(B|A
i)·P
(Ai)
Exemplo:
Tem
os2moedashonestas
eum
amoeda
com
duas
caras.
BA
CK
NE
XT
8/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
IND
EP
EN
DE
NC
IA
Doiseventos
Ae
Bsaoindependentesse
P(A
∩B)=
P(A)·P
(B)
•Treseventos
A,B,e
Csaoindependentes
entresise
P(A
∩B)=
P(A)·P
(B)
P(A
∩C)=
P(A)·P
(C)
P(B
∩C)=
P(B)·P
(C)
P(A
∩B∩
C)=
P(A)·P
(B)·P
(C)
Ex:
independencia2a2naoimplicaaindependenciaentre3eventos
•Propriedades:
Se
Ae
Bsaoindependentes
entao
–P(A|B)=
P(A)
–A
ce
Bc ,
Ae
Bc ,
Ace
Bsaoindependentes
BA
CK
NE
XT
9/73
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
PR
OB
AB
ILID
AD
EC
ON
JU
NT
A
Oselem
entosdo
espaco
amostral
Ωpodem
apresentar
atributosquepermitem
adefinicaode
diferentes
classesde
Borel:
−A
1,A
2,...∈F
1
−B
1,B
2,...∈F
2
Ex:
Joaquim,Pedro,Maria
→Ω=
atributos:
idade,altura
A1=
5anos
B1=
1.80
m
Ωeum
conjunto
deparesordenados
•Probabilidadeconjunta:
P(A,B)=
P(A
∩B)=
ocorrenciade
Aede
B
BA
CK
NE
XT
10/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
PR
OB
AB
ILID
AD
EC
ON
JU
NT
A
•Probabilidademarginal:
Para
A1∪
A2∪...∪
An=
Ωe
B1∪
B2∪...∪
Bm=
Ω
P(B
j)=
n ∑ i=1
P(A
i,B
j)=
P(Ω
,Bj)
P(A
i)=
m ∑ j=1
P(A
i,B
j)=
P(A
i,Ω)
en ∑ i=1
m ∑ j=1
P(A
i,B
j)=
1
BA
CK
NE
XT
11/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VA
RIA
VE
LA
LE
AT
OR
IA
Equalquer
funcao
definida
noespaco
amostral
Ω,
X:Ω
→R
talque
ω∈
Ω,
X(ω
)∈(−
∞,x]∈F
isto
e,X
:Ω→
Refuncao
mensuravel X
(ω)
ω
RΩ
•se
Ωeenum
eravel
entaoavariavel
aleatoriaediscreta,caso
contrarioe
contınua.
ConjuntoEnumeravel
→conjunto
finito
ouinfinito,comum
acorrespondencia
biunıvocacom
osnumeros
inteiros
positivos.
BA
CK
NE
XT
12/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DIS
TR
IBU
ICA
OD
EP
RO
BA
BIL
IDA
DE
F X(x) =
P(
X(ω
)≤
x)
X(ω
)≤
x=ω
∈Ω,X
(ω)∈(−
∞,x]∈F,ou
seja,eum
evento.
Ex:
Variavelaleatoriatempode
espera
•Propriedades:
⋆F X
(−∞)=
0
⋆F X
(+∞)=
1
⋆Se
x 2>
x 1,entao
F X(x
2)≥
F X(x
1)(funcaomonotonicanaodecrescente)
Prova:
BA
CK
NE
XT
13/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
NS
IDA
DE
DE
PR
OB
AB
ILID
AD
E
p X(x) =
d dxF X
(x)
definida
para
x→
F X(x)contınua
ediferenciavelem
x
Ex:
distribuicao
uniforme
•Variavelaleatoriacontınua
⋆F X
(x)=
x ∫ −∞
p X(y)d
yum
avezque
F X(−
∞)=
0
⋆p X
(x)≥
0pois
F X(x)emonotonanaodecrescente
BA
CK
NE
XT
14/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
NS
IDA
DE
DE
PR
OB
AB
ILID
AD
E:
CA
SO
V.A
.D
ISC
RE
TA
Utiliza-se
afuncao
Impulsode
Dirac
δ(t)
:+
∞ ∫ −∞
f(t)
δ(t−
t 0)d
t=f(
t 0)
∀f(t)
contınua
emt 0.
Propriedades:
⋆
+∞ ∫ −
∞
f(t)
δ(t)
dt=
f(0),
+∞ ∫ −
∞
δ(t)
dt=
1
⋆
t ∫ −∞
δ(s)
ds=
u(t)=
1,t>
0
0,t<
0(funcao
degrau
u(t))
“d dtu(
t) =
δ(t)
′′
BA
CK
NE
XT
15/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
OE
SD
IST
RIB
UIC
AO
ED
EN
SID
AD
EP
AR
AV.
A.
DIS
CR
ET
A
p X(x)=
n ∑ i=1
PX
=x i·
δ(x−
x i)
destaform
a,
F X(x)=
x ∫ −∞
p X(y)d
y=
n ∑ i=1
PX
=x i·
x ∫ −∞
δ(y−
x i)d
y
earelacaoentre
p Xe
F xvalecomono
caso
contınuo
•v.
a.mista
(contınua/discreta)
BA
CK
NE
XT
16/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
AL
GU
MA
SP
RO
PR
IED
AD
ES
DEF
XE
p X
PX
>x
=1−
F X(x)=
+∞ ∫ x
p X(y)d
y
Px
1<
X≤
x 2=
F X(x
2)−
F X(x
1)=
x 2 ∫ x 1
p X(y)d
y
+∞ ∫ −
∞
p X(y)d
y=
1=
F X(+
∞)−
F X(−
∞)
p X(x)=
lim∆x
→0+
Px
<X≤
x+
∆x
∆x
BA
CK
NE
XT
17/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VA
RIA
VE
ISA
LE
AT
OR
IAS
GA
US
SIA
NA
S
Z∼
N(0,1)
→ev.a.
norm
al0-1
p Z(z)=
1 √2π
·exp
(
−z2 2
)
P|
Z| <
1=
0,68
Erf(x) =
1 √2π
x ∫ −∞
exp(
−z2 2
)
dz=
PZ
≤x
outrasvariaveis
aleatoriasim
portantes
•v.a.’scontınuas:
Exponencial,Gam
a,Cauchy
•v.a.’sdiscretas:
Binom
ial,Geometrica,Poisson
BA
CK
NE
XT
18/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VA
RIA
VE
ISA
LE
AT
OR
IAS
BID
IME
NS
ION
AIS
Ou,
estudo
dedistribuicoesconjuntas
F XY(x,y) =
PX
≤x,
Y≤
y
com
X≤
x,Y≤
y=X
≤x
∩Y
≤y
=ω
∈Ω
:(X(ω
),Y(ω
))∈
D,
onde
D=(−
∞,x]×
(−∞,y]
p XY(x,y) =
∂2F X
Y(x,y)
∂x∂y
⋆Propriedades:
–F X
Y(−
∞,y)=
0
–F X
Y(x,−
∞)=
0
–F X
Y(+
∞,+
∞)=
1
Prova:
BA
CK
NE
XT
19/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VA
RIA
VE
ISA
LE
AT
OR
IAS
BID
IME
NS
ION
AIS
⋆DistribuicaoMarginal:
F XY(+
∞,y)=
F Y(y)
F XY(x,+
∞)=
F X(x)
poisX
≤∞,Y
≤y
=Y
≤y
F XY(x,y)=
y ∫ −∞
x ∫ −∞
p XY(x,y)d
xd
y
⋆MaisPropriedades:
⋄p X
(x)=
d dxF X
Y(x,+
∞)=
d dx
x ∫ −∞
+∞ ∫ −
∞
p XY(z,y)d
yd
z
⋄p X
(x)=
+∞ ∫ −
∞
p XY(x,y)d
y
BA
CK
NE
XT
20/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
Ex:
Distribuicaoconjunta
deX
eYeuniformeno
triangulo:
1
1
x
y
VA
RIA
VE
ISA
LE
AT
OR
IAS
BID
IME
NS
ION
AIS
IND
EP
EN
DE
NT
ES
F XY(x,y)=
PX
≤x,
Y≤
y=
PX
≤x
·PY
≤y
Assim,
F XY(x,y)=
F X(x)·F
Y(y)
p XY(x,y)=
p X(x)·p
Y(y)
BA
CK
NE
XT
21/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
VA
RIA
VE
LA
LE
AT
OR
IA
•Y=
f(X)e
Xv.a.
conhecida.
–Suponha
f(x)
monotonicacrescente(biunıvoca),e
F Y(y)=
F X[
f−1 (
y)]
xx
y
x+
∆x
y+
∆yf(
x)
ecomo
p X(x)∆
x≈
p Y(y)∆
y,
p Y(y)=
p X(x)
df(
x)d
x
∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣
x=f−
1 (y)
pois
df(
x)d
x>
0
BA
CK
NE
XT
22/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
VA
RIA
VE
LA
LE
AT
OR
IA
–Suponha
agora
df(
x)d
x<
0(m
onotonicadecrescente)
p Y(y)=
p X(x)
−d
f(x)
dx
∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣
x=f−
1 (y)
–Portanto,
nocaso
geralde
funcao
biunıvoca:
p Y(y)=
p X(x)
∣ ∣ ∣ ∣
df(
x)d
x
∣ ∣ ∣ ∣
∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣
x=f−
1 (y)
BA
CK
NE
XT
23/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
VA
RIA
VE
LA
LE
AT
OR
IA
Ex:
Seja
Xum
av.a.
com
distribuicao
uniformeentre0e1eseja
Y =
1 λ·ln
1 Xcom
λ>
0.Com
odeterm
inar
p Ye
F Y?
Generalizando
oexem
plo:
comogerarum
av.a.
Xcom
distribuicao
qualquer
conhecida,
apartirde
umav.a
Yuniforme?
Tom
oY∼
U[0,1]e
Xcom
funcao
dedistribuicao
F X.Tem
osque
p Y(y)=
1=
p X(x)
∣ ∣ ∣ ∣
df(
x)d
x
∣ ∣ ∣ ∣
∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣
x=f−
1 (y)
validano
intervalo
0≤
y≤
1
portanto,
p X(x)=
∣ ∣ ∣ ∣
df(
x)d
x
∣ ∣ ∣ ∣
epodem
ostomar
f(x)
=F x(x)para
satisfazer
aidentidade
acima.
BA
CK
NE
XT
24/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
VA
RIA
VE
LA
LE
AT
OR
IA
Com
oresultadotem-seoprocedimento:
1.Sorteio
avariavel
Y(ω
)∼
U[0,1]
2.Obte-se
X(ω
)de
acordo
com
X(ω
)=
F−
1X
(Y(ω
)).
XX
1
Y Y 1
F X
BA
CK
NE
XT
25/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
VA
RIA
VE
LA
LE
AT
OR
IA:
FU
NC
AO
NA
OB
IUN
IVO
CA
–Nocaso
geral
→dividimos
odomınio
emintervalos
adequadosonde
em
cada
umdelesafuncao
seja
biunıvoca.
Com
oresultado:
p Y(y)=
N ∑ i=1
p X(x)
∣ ∣ ∣ ∣
df i(
x)d
x
∣ ∣ ∣ ∣
∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣
x=f i−
1 (y)
onde
Neonumerode
regioes
Ri,com
N ⋃ i=1
Ri=Dom
ınio
ef i(
x)=
f(x),x∈
Ri
Ex:
X∼
N(0,σ
2 ),Y
=X
2desejo
p Y(y)
BA
CK
NE
XT
26/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
MU
LTIP
LA
SV
AR
IAV
EIS
AL
EA
TO
RIA
S
Mesmoproblema,
agoracom
duas
variaveis
u=
u(x,
y)
v=
v(x,
y)p U
V(u,v)=
?
Supondo
umatranform
acao
biunıvoca:
p UV(u,v)=
p XY(x,y)
∣ ∣ ∣ ∣
J(
u,v
x,y)∣ ∣ ∣ ∣
∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣
x=f(
u,v)
y=g(
u,v)
onde
fe
gsaofuncoesinversas
deuede
v,e
JeoJacobiano:
J(
u,v
x,y)
=de
t
∂u ∂x∂u ∂y
∂v ∂x∂v ∂y
=1
/
det
∂x ∂u∂x ∂v
∂y ∂u∂y ∂v
BA
CK
NE
XT
27/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
VA
RIA
VE
LA
LE
AT
OR
IA
Ex:
Jogo
deDardos
x
y
r
θ
p X(x)=
1√
2πσ
exp(−
x2
2σ2)
p Y(y)=
1√
2πσ
exp(−
y2
2σ2)
independentes,desejamos
determ
inar
p R,Θ(r,θ)
BA
CK
NE
XT
28/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
DE
VA
RIA
VE
LA
LE
AT
OR
IA:
SO
MA
DE
V.A
.’S
IND
EP
EN
DE
NT
ES
Ex:
Z=
X+
Y,X
eYindependentes;
p Z(z)?
Resultado:
p Z=
p X∗p
Y
•Generalizacao
importante:
somade
nv.a.’sindependentes
1
1.5
−1.
51
−1
1/2
−1/
2
1p X
1p X
1+
X2
p X1+
X2+
X3
•Generalizacao
importantıssima:
teoremado
Lim
iteCentral:
Zn=(
X1+
X2+···+
Xn)/√
nonde
Xisaov.a.’sindependentes
eidenticamente
distribuıdas Z
=lim n→
∞Z
nev.a.
gaussianaindependentedasv.a.’s
Xi
BA
CK
NE
XT
29/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
MO
ME
NT
OS
Esperanca
matem
aticaou
mediaou
mom
ento
de1a.ordem
E[X] =
x=∫ Ω
X(ω
)dP(ω
)
=∫ ∞ −
∞x
dF X(x)
=
+∞ ∫ −
∞
xp X(x)d
x<+
∞
Paraisso
Xenecessariamente
v.a.integravel:
E[|X
|]=−∫ 0 −
∞x
dF X(x)+
∫ ∞ 0x
dF X(x)<+
∞
Ex:
V.A.de
Cauchy
p X(x)=
11+
x2·1 π,
porem
E[|X
|]=
∞.
BA
CK
NE
XT
30/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
MO
ME
NT
OS
•Paravariaveis
aletoriasdiscretas:
p X(x)=
+∞ ∑
k=−
∞PX
=x k·
δ(x−
x k)
E[X]=
+∞ ∑
k=−
∞PX
=x k·
+∞ ∫ −
∞
xδ(
x−
x k)d
x
entao
E[X]=
+∞ ∑
k=−
∞x k·P
X=
x k
Ex:
Facede
umdado
•Se
p X(x)forfuncaopar,i.e.
p X(−
x)=
p X(x);e
E[X]<
+∞,entao
E[X]=
0
Ex:
gaussianaN(µ,σ
2 )
BA
CK
NE
XT
31/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
MO
ME
NT
OS
•media
deumafuncao
Y=
f(X)
↔E[Y]?
E[f(X
)]=
+∞ ∫ −
∞
f(x)
p X(x)d
x<+
∞
Ex:
Xuniformeentre0e1;
Y=
1 λln
1 X
•Propriedade:aditividadedamedia
E[f
1(X)+
f 2(X
)]=
+∞ ∫ −
∞
[f1(
x)+
f 2(x)]·p
X(x)d
x
=E[f
1(X)]+
E[f
2(X)]
BA
CK
NE
XT
32/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
MO
ME
NT
OS
•momentosdeordem
k
mk =
E[X
k ]=
+∞ ∫ −
∞
xk·p
X(x)d
x<
+∞
m1→
media(x
ouµ)
m2→
segundomom
ento
•Mom
entoscentradosde
ordem
k
c k =
E[(
X−
µ)k ]=
+∞ ∫ −
∞
(x−
µ)k·p
X(x)d
x
c 1≡
0,c 2
→variancia(σ
2 ),
σ=
desvio
padrao
σ2=
m2−
m12=
m2−
µ2
–Se
p X(x)forsimetrica
emtornode
µ:
p X(x
−µ)
=p X
(−(x
−µ))entao
c k=
0,∀k
ımpar
BA
CK
NE
XT
33/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
MO
ME
NT
OS
Ex:
Suponha
conhecidos
apenas
µe
σ2 .Aproximeovalorde
E[X
3 ]em
tornode
µ.
Ex:
X∼
uniforme[0,1]
Ex:
X∼
N(0,σ
2 )
•Desigualdadede
Markov
X∼
v.anaonegativa
(pX(x)=
0,x<
0)
PX
≥αµ
≤1 α
•Desigualdadede
Tchebycheff
P|
X−
µ|≥
ε≤
σ2 ε2;ε
>0
BA
CK
NE
XT
34/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
MO
ME
NT
OS
•Mediapara
duas
variaveis
E[f(X
,Y)]=
+∞ ∫ −
∞
+∞ ∫ −
∞
f(x,
y)p X
Y(x,y)d
xd
y<+
∞
–Se
Xe
Ysaoindependentes: E[X
·Y]=
E[X]·
E[Y]
E[f(X
)·g(Y
)]=
E[f(X
)]·E
[g(Y
)]
BA
CK
NE
XT
35/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
CO
RR
EL
AC
AO
EC
OV
AR
IAN
CIA
•Covariancia:Com
x=
E[X]e
y=
E[Y]
cov(
X,Y
) =
E[(
X−
x)·(
Y−
y)]
–Nocao
mais“pobre”doqueindependencia
–variaveisnaocorrelatas
ounaocorrelacionadas
⇔cov(
X,Y
)=
0
cov(
X,Y
)=
E[X
·Y]−
E[X]·
E[Y]
–cov(
X,X
)=
E[(
X−
x)·(
X−
x)]=
E[(
X−
µ)2 ]=
σ X2
–“Se
Xe
Ysaoindependentes
⇒saonaocorrelatas”
–“Se
Xe
Ysaonaocorrelatas,naoimplicaquesejam
independentes”
Excecao:“Se
Xe
Ysaogaussianas
naocorrelatas,entaosaov.a.’sindepen-
dentes”
BA
CK
NE
XT
36/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
CO
RR
EL
AC
AO
EC
OV
AR
IAN
CIA
–“Duasvariaveissaonaocorrelatas
⇔E[X
·Y]=
E[X]·
E[Y]”
–σ2 X
+Y=
σ X2+
σ Y2+
2cov(
X,Y
)
–σ X
+Y
2=
σ X2+
σ Y2se
Xe
Ysaonaocorrelatas
•Correlacao:
RX
Y =
E[X
·Y]
•Coeficientedecorrelacao
ρ XY
ρ XY
=cov(
X,Y
)
σ X·σ
Y
Com
essa
definicao,
| ρX
Y| ≤
1,obtido
daavaliacao
E
[
(
X−
xσ x
±Y−
yσ y
)
2]
≥0
Ex:
Y=
a·X
+b
BA
CK
NE
XT
37/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
CA
RA
CT
ER
IST
ICA
Φ(u) =
E[e
xp(ju
X)]=
∫ex
p(ju
x)·p
X(x)d
x
j=√−
1e
uparametro
real.Noteque
Φ(−
u)=
+∞ ∫ −
∞
exp(−
jux)·p
X(x)d
x
eatransformadadefourierde
p X(x)
P X(u)=F[p
X(x)]=
Φ(−
u)
P X(u)ou
Φ(u)saoigualmente
utilizadas.
•Se
Xe
Ysaoindependentes
eZ=
X+
Y
P Z(u)=
P X+
Y(u)=
P X(u)·P
Y(u)
p Z(z)=F−
1 [P X
(u)·P
Y(u)]=
p X(z)∗p
Y(z)
BA
CK
NE
XT
38/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
FU
NC
AO
CA
RA
CT
ER
IST
ICA
•| P
X(u)|≤
1,existe
para
todo
p X(x)
•Propriedade:Efuncao
geradorademomentos
P X(u)=
E[e
xp(−
juX)]
=E
[
1−
juX+(−
juX)2
2!+···+
Xk(−
ju)k
k!+···]
=+
∞ ∑ k=0
mk·(−
ju)k
k!
Portanto;
mk·(−
j)k=
dk P
X(u)
duk
∣ ∣ ∣ ∣
u=0
Ex.
Parav.a.
gaussiana
N(x,σ
2 )temos
Φx(
u)=
exp(
jux−
1 2u2 σ2 )
.Som
ade
v.a.’sgaussianas.
;Permiteconcluirqueacombinacaode
v.a.’sgaussianas
independentes
ev.a.
gaussiana
BA
CK
NE
XT
39/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
DIS
TR
IBU
ICA
OE
DE
NS
IDA
DE
CO
ND
ICIO
NA
IS
Para
A∈Fcom
P(A)>
0,
F X(x|A) =
PX
≤x,A
P(A)
=PX
≤x|A
evento:X
≤x,A=
ω∈
S:X
(ω)∈(−
∞,x]∩ω
∈A
p X(x) =
d dxF X
(x),
;p X
(x|A) =
d dxF X
(x|A)
Tom
ando
A=X
≥a: F X
(x|X
≥a)
=PX
≤x,X≥
aPX
≥a
•para
x<
a⇒
F X(x|X
≥a)
=0
BA
CK
NE
XT
40/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
DIS
TR
IBU
ICA
OE
DE
NS
IDA
DE
CO
ND
ICIO
NA
IS
•para
x≥
a
F X(x|X
≥a)
=Pa
≤X≤
xPX
≥a
=
x ∫ a
p X(y)d
y/(
1−
a ∫ −∞
p X(y)d
y)
=
x ∫ a
p X(y)d
y/+
∞ ∫ a
p X(y)d
y
Portanto, p X(x|X
≥a)
=p X
(x)
+∞ ∫ a
p X(y)d
y
·u(x−
a)
Ex:
Distribuicaoexponencial,
F X(x)=
1−
e−λx,
x≥
0.Calcule
F X(x|X
≥a).
BA
CK
NE
XT
41/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
DIS
TR
IBU
ICA
OE
DE
NS
IDA
DE
CO
ND
ICIO
NA
IS
•Condicionalsobreum
valor
–X
v.a.discreta:
F Y(y|X
=a)
fazsentidopois
F Y(y|X
=a)
=PY
≤y,
X=
aPX
=a
sopodeserdefinido
nospontosonde
PX
=a
6=0
–X
v.a.discreta:Definirpequenosintervalos
[a,a
+∆a
],com
∆a→
0+
F X(x|a≤
X≤
a+
∆a)=
u(x−
a)
p X(x|X
=a)
=δ(
x−
a)
BA
CK
NE
XT
42/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
DIS
TR
IBU
ICA
OE
DE
NS
IDA
DE
CO
ND
ICIO
NA
IS
–X
v.a.contınua:Calculo
dep Y(y|x)
supondo
p Xe
p XYcontınuas
F Y(y|x≤
X≤
x+
∆x)=
PY
≤y,x≤
X≤
x+
∆x
Px
≤X≤
x+
∆x
com
∆x≈
0
F Y(y|x≤
X≤
x+
∆x)≈
y ∫ −∞
p XY(x,α
)dα
p X(x)
eentao
p Y(y|x)
=p X
Y(x,y)
p X(x)
BA
CK
NE
XT
43/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
PE
RA
NCA
CO
ND
ICIO
NA
L
E[X|A] =
+∞ ∫ −
∞
x·p
X(x|A)d
xpara
A∈Fe
P(A)>
0.
E[X|X
≥a]=
+∞ ∫ −
∞
x·p
X(x|X
≥a)
dx=
+∞ ∫ a
x·p
X(x)d
x
+∞ ∫ a
p X(x)d
x
BA
CK
NE
XT
44/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
PE
RA
NCA
CO
ND
ICIO
NA
L
•CasoDiscreto:
E[X|Y
=y]=
∞ ∑ i=−
∞x i
P(X
=x i|Y
=y)
•Esperanca
CondicionalcomoVariavelAleatoria
E[Y|X
=x]=
+∞ ∫ −
∞
yp(
y|x)d
y⇒
eum
afuncao
x→
f(x)
assim
E[Y|X]=
f(X(ω
))ev.a.
BA
CK
NE
XT
45/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
PE
RA
NCA
CO
ND
ICIO
NA
L
•Propriedades:
⋄E[E[Y|X]]=
E[Y]
(leidasesperancasiteradas)
Obtidadasexpressoes
E[Y]=
∫ ∞ −∞
E[Y|X
=x]
p X(x)d
x(casocontınuo)
E[Y]=
∞ ∑ i=−
∞E[Y|X
=x i]P(X
=x i)
(casodiscreto)
⋄Se
g(x)
efuncao
determ
inıstica
E[Y
g(X)|X
=x]=
g(x)
E[Y|X
=x]
⋄Se
z=
g(x)
efuncao
biunıvoca
E[Y|Z]=
E[Y|X]=
E[Y|g
−1 (
Z)]
BA
CK
NE
XT
46/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
ES
PE
RA
NCA
CO
ND
ICIO
NA
L
⋄E[E[g(X
,Y)|X
]]=
E[g(X
,Y)]
⇒f(
x)=
E[Y|X
=x]
eum
estimador
naopolarizadode
Y
•Esperanca
condicionalcom
oestimador:Seja
X=
Y 1+
Y 2+...+
Y m,,
Y i∼
media
µevariancia
σ2 ,independentes
entresi.
Suponha
queja
observam
osY 1,Y
2,...,
Y ncom
n<
m.Qualseriaamelhoresti-
mativaquepodem
osfazerdo
valorde
Y?
Qualeavarianciadessaestimativa?
•Exercıcio:Chegada
detrensnumaestacao.
BA
CK
NE
XT
47/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VA
RIA
VE
ISA
LE
AT
OR
IAS
GA
US
SIA
NA
S
•ou,VariaveisAleatoriasNormais.
X∼
N(x,σ
2 ),
p X(x)=
1√
2πσ
exp(
−1 2(x−
x)2
σ2
)
quando
E[x]=
xevar(
X)=
E[(
x−
x)2 ]=
σ2 .
−3σ
−
2σ
−σ
σ 2σ
3σ
1√
2πσ
x
BA
CK
NE
XT
48/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VA
RIA
VE
ISA
LE
AT
OR
IAS
GA
US
SIA
NA
S
•FuncaoCaracterıstica:
Φx(
u)=
exp(
jux−
1 2u2 σ2 )
resultado:combinacaolinearde
v.a’sgaussianas
independentes
ev.a.
gaus-
siana.
Se
Y=
α 1X
1+
α 2X
2+···+
α nX
n,
α isaoescalareseasv.a’s
Xisaoindependentesentresie
Xi∼
N(x
i,σ2 i
),
podem
osre-definir
Zi=
α iX
i,i=
1,...,
n⇒
Y=
n ∑ i=1Z
i
etem-seque
Zi=
α iX
i∼
N(α
ixi,
α2 iσ2 i)
Φy(
u)=
Φz 1(u)Φ
z 2(u)···Φ
z n(u)
=ex
p(
jun ∑ i=1α i
x i−
1 2u2
n ∑ i=1α2 iσ
2 i)
Portanto
Y∼
N(
∑n i=
1α i
x i, ∑
n i=1
α2 iσ2 i)
.
BA
CK
NE
XT
49/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VA
RIA
VE
ISA
LE
AT
OR
IAS
GA
US
SIA
NA
S
•Im
portanciacomomodelode
fenomenos
aleatorios:Teoremado
LimiteCentral
Somade“acoes”independenteseidenticamente
distribuıdasproduzem
assintoticamente
o“efeito”gaussiano,
i.e.,
Zn=(
X1+
X2+···+
Xn)/√
nonde
Xisaov.a.’squaisquer,independenteseidenticamente
distribuıdas
Z=
lim n→∞
Zn
ev.a.gaussianaindependente
dasv.a.’s
Xi
BA
CK
NE
XT
50/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SD
EV
AR
IAV
EIS
AL
EA
TO
RIA
SG
AU
SS
IAN
AS
Sejaum
conjunto
dev.a.’sgaussianas
X1,
X2,...,
Xnescritas
deform
avetorial:
Z=
X1
X2 . . . Xn
com
ovetorde
medias
z=
x 1 x 2 . . . x n
,
ecom
amatrizde
covariancias:
Σ=
E[(
X1−
x 1)2]
E[(
X1−
x 1)(
X2−
x 2)]
···
E[(
X1−
x 1)(
Xn−
x n)]
E[(
X2−
x 2)(
X1−
x 1)]
E[(
X2−
x 2)2]
. . .. ..
. . .
E[(
Xn−
x n)(
X1−
x 1)]
···
E[(
Xn−
x n)2]
BA
CK
NE
XT
51/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SD
EV
AR
IAV
EIS
AL
EA
TO
RIA
SG
AU
SS
IAN
AS
=
σ2 1co
v(X
1,X
2)···
cov(
X1,
Xn)
cov(
X2,
X1)
σ2 2. . .
. ..
. . .
cov(
Xn,
X1)
···
σ2 n
=
σ2 1ρ X
1X2σ 1
σ 2···
ρ X1X
nσ 1
σ nρ X
2X1σ 2
σ 1σ2 2
. . .. ..
. . .
ρ XnX
1σ n
σ 1···
σ2 n
eΣematrizsimetrica
(Σ=
Σ′)esemidefinida
positiva(x
′ Σx≥
0,para
todo
x∈R
n ).
BA
CK
NE
XT
52/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SD
EV
AR
IAV
EIS
AL
EA
TO
RIA
SG
AU
SS
IAN
AS
Definicao:OvetorZde
v.a.’sde
dimensao
nacimaeconju
ntamentegaus-
sianoou
conju
ntamentenormalse
adensidadede
probabilidade
conjunta
tem
aform
a:
p Z(z)=
1√
(2π)
n |Σ|ex
p(−
1 2(z−
z)′ Σ−
1 (z−
z))
com
matriz
Σnaosingular,|Σ|=
det(Σ
).
BA
CK
NE
XT
53/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SD
EV.A
.’S
GA
US
SIA
NA
S:C
OR
RE
LA
CAO
EIN
DE
PE
ND
EN
CIA
•Propriedade
importante:
asv.a.’s
Xi’s
saonao-correlatadas
⇐⇒
cov(
Xi,
Xj)=
0para
todo
i6=j.Neste
caso,
Σ=
diag(σ
1,σ 2,...,σ
n)
e
p Z(z)=
1√
(2π)
n σ2 1σ
2 n···σ
2 n
exp(
−1 2
n ∑ i=1
(xi−
x i)2
σ2 i
)
=1
√
2πσ2 1√
2πσ2 2
···√
2πσ2 n
exp(
−(x
1−
x 1)2
2σ2 1
)
···e
xp
(
−(x
n−
x n)2
2σ2 n
)
=p X
1(x
1)p X
2(x
2)···p
Xn(x
n)
resultado:Seum
afamıliade
v.a.’sgaussianas
saonaocorrelatadas
=⇒
elas
sao
independentes
entresi.
BA
CK
NE
XT
54/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SD
EV.A
.’S
GA
US
SIA
NA
S:F
UN
CA
OC
AR
AC
TE
RIS
TIC
AV
ET
OR
IAL
funcao
caracterısticadeum
vetordev.a.’s:edefinida
como
ΦZ(u)
:=E[e
ju′ Z>]=
∫···∫ ∞ −
∞ej
u′ y
p Z(y)d
y
=∫ ∞ −
∞[1+
ju′ y+(ju
′ y)2
2!+···]p
Z(y)d
y
para
u=(u
1u2···u
n)′ .
Com
ofuncao
geradora
demom
entos:
∂ΦZ
∂ui
∣ ∣ ∣
u=(u
1u2···u
n)=
0=
j∫ ∞ −∞
rpX
i(x)
dr=
jE[X
i]=
jxi,
i=1,...,
n
∂2 ΦZ
∂ui∂
u k
∣ ∣ ∣
u=(u
1u2···u
n)=
0=−
∫∫∞ −∞
rsp X
iXk(
r,s)
drd
s=−
E[X
iX′ k]
i,k=
1,...,
n
BA
CK
NE
XT
55/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SD
EV.A
.’S
GA
US
SIA
NA
S:F
UN
CA
OC
AR
AC
TE
RIS
TIC
AV
ET
OR
IAL
•FuncaoCaracterısticapara
umvetorde
v.a.’sconjuntamente
gaussiano:
ΦZ(u)=
exp(
ju′ z−
1 2u′Σu)
1.Valor
medio
E[Z]=
1 j∂ΦZ
∂u
∣ ∣ ∣
u=0
=1 jex
p(ju
′ z−
1 2u′Σu
)(jz−
Σu)∣ ∣
u=0=
z
Confirm
a-se
que
zeamediado
vetor
Z
BA
CK
NE
XT
56/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SD
EV.A
.’S
GA
US
SIA
NA
S:F
UN
CA
OC
AR
AC
TE
RIS
TIC
AV
ET
OR
IAL
2.Segundo
Mom
ento
E[Z
Z′]=
−∂2 Φ
Z
∂u2
∣ ∣ ∣
u=0
=[(
jz−
Σu)e
xp(ju
′ z−
1 2u′Σu
)(jz−
Σu)′−
Σex
p(ju
′ z−
1 2u′Σu
)]∣ ∣
u=0
=zz
′ +Σ
enote
que
E[(
Z−
z)(Z
−z)
′ ]=
zz′ +
Σ−
zz′ =
Σ
Entao
confirm
a-se
que
zeamediae
Σcovarianciado
vetor
Z.
BA
CK
NE
XT
57/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
MO
ME
NT
OS
DE
OR
DE
MS
UP
ER
IOR
3.
E[z]=
z
E[(
z−z)
2 ]=
σ2 z
E[(
z−z)
2k+
1 ]=
0
E[(
z−z)
2k]=
1·3
·5···(
2k−
1)σ2k z
BA
CK
NE
XT
58/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
V.A
.’S
GA
US
SIA
NA
S:P
RO
PR
IED
AD
ES
DA
MA
TR
IZD
EC
OV
AR
IAN
CIA
4.Notacao:
σ ij=
ρ ijσ
iσj.Com
isso,
Σ=
σ2 1σ 1
2···
σ 1n
σ 21
σ2 2···
σ 2n
. . .. . .
. ..
. . .
σ n1
σ n2···
σ2 n
Resum
ode
propriedades:
(a)|σ
ij|≤
σ iσ
j,∀i,j
BA
CK
NE
XT
59/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
V.A
.’S
GA
US
SIA
NA
S:P
RO
PR
IED
AD
ES
DA
MA
TR
IZD
EC
OV
AR
IAN
CIA
(b)|Σ|6=
0,Σematrizdefinida
positivae
Σ−1existe
seesomente
seas
v.a.’s
Xi,
i=1,
2,...,
nforem
linearm
ente
independentes:
0=
n ∑ i=1
a iX
i⇐⇒
a i=
0,∀i
isto
eequivalenteaexigirqueos
coeficientesde
correlacao
|ρij|<
1(m
ostre
isso!).
(c)Se
Σematrizdiagonal,
σ ij=
0eas
variaveisaleatorias
Xisaonaocorrelaci-
onadas.Com
osao
V.A
.’S
GA
US
SIA
NA
S=⇒
Xi,
i=1,
2,...,
nsaoindepen-
dentes
entresi.
BA
CK
NE
XT
60/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
V.A
.’S
GA
US
SIA
NA
SD
EF
INID
AS
AT
RA
VES
DA
SO
MA
5.Seja
Z∼
N(z,Σ
z),um
vetorde
v.a.’sgaussianas,edefina
Y=
AZpara
alguma
matriz
A.
Entao
afuncao
caracterıstica
e
ΦY(u)=
E[e
xpju′ Y]=
E[e
xpju′ A
Z]=
ΦZ(u
=A′ u)
=ex
p(ju
′ z−
1 2u′Σ z
u)=
exp(
ju′ A
z−1 2
u′A
Σ zA′ u)
isto
e,y∼
N(A
z,A
Σ zA′ ).
Se
Y=
AZ+
bpara
algumamatriz
Aevetor
b,eevidente
que
y∼
N(A
z+
b,A
Σ zA′ )(m
ostre!).
BA
CK
NE
XT
61/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
V.A
.’S
GA
US
SIA
NA
SD
EF
INID
AS
AT
RA
VES
DA
SO
MA
6.Sejam
Xe
Ydoisvetoresgaussianos,entao
X+
Yegaussiano.
Escolher
A=[I
n. . .
I n]e
z=
x ··· y
eutilizaroresultadoem
5.
BA
CK
NE
XT
62/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SNA
OC
OR
RE
LA
CIO
NA
DO
SD
EV.A
.’S
GA
US
SIA
NA
S
7.Sedoisvetoresgaussianos
Xe
Ysaonaocorrelacionados,isto
eσ X
iYj=
0,∀i,j
(≡σ Y
iXj=
0,∀i,j),entaoeles
saoindependentes.
Seja
x∈R
n ,y∈R
me
z=
x ··· y
∈R
r=n+
m.Entao,
p X,Y(x,y)=
p Z(z)=
1√
(2π)
r |Σz|ex
p−1 2(z−
z)′ Σ
−1
z(z−
z)
Enestecaso,
Σ z=
[
Σ x0
0Σ y
]
→Σ−
1z
=
[
Σ−1
x0
0Σ−
1y
]
,|Σ
z|=|Σ
x||Σ y|
BA
CK
NE
XT
63/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
VE
TO
RE
SNA
OC
OR
RE
LA
CIO
NA
DO
SD
EV.A
.’S
GA
US
SIA
NA
S
Assim,
p Z(z)=
1√
(2π)
n |Σx|
1√
(2π)
m|Σ
y|·
exp(−
1 2(x−
x)′ Σ−
1x(x−
x))e
xp(−
1 2(y−
y)′ Σ−
1y(y−
y))
=p X
(x)p
Y(y)
DE
NS
IDA
DE
CO
ND
ICIO
NA
LD
EV
ET
OR
ES
GA
US
SIA
NO
S
8.Propriedade:Considere
Xe
Ydoisvetoresde
v.a.’sgaussianas.A
DE
NS
IDA
DE
CO
ND
ICIO
NA
Lp X
(x|Y
=y 0)(ou
p Y(y|X
=x 0))
etambem
gaussiana.
BA
CK
NE
XT
64/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
DE
NS
IDA
DE
CO
ND
ICIO
NA
LD
EV
ET
OR
ES
GA
US
SIA
NO
S
Paraverificaressa
propriedade,
escrevem
os
p X(x|Y
=y 0)=
p X(x|y 0
),econsidere
p X(x|y 0
)=
p X,Y(x,y
0)
p(y 0)
=1
√
(2π)
n|Σ
z||Σ
y|
·ex
p(−
1 2(z−
z)′ Σ
−1
z(z−
z))
exp(
−1 2(y
0−
y)′ Σ
−1
y(y
0−
y))
ondetomamos
z=
y ··· x
.Supomostambem
queamatrizdecovariancias
Σ zematrizdefinidapositiva.
Paraumamatriz
inversıvel
Aqualquer
divididaem
blocos:
A=
[
A11
A12
A21
A22
]
ondetomamos
A11
eA
22como
matrizes
quadradasdedim
ensoes
quaisquer,podem
osexpressar
ainversade
Aem
term
osdosblocoscomo
A−
1=
[
A11
A12
A21
A22
]
−1
=
[
(A11−
A12
A−
122
A21)−
1−
A−
111
A12(A
22−
A21
A−
111
A12)−
1
−(A
22−
A21
A−
111
A12)−
1 A21
A−
111
(A22−
A21
A−
111
A12)−
1
]
Utilizandoessasrelacoes,junto
com
ofato
que
Σ zematrizsimetrica,eportanto
Σ xy=
Σ′ yx,podem
osavaliar:
Σ−1
z=
[
Σ yΣ y
x
Σ′ yxΣ x
]
−1
=
[
(Σy−
Σ yxΣ
−1
xΣ′ yx
)−1
−Σ−
1y
Σ yx(
Σ x−
Σ′ yxΣ−
1y
Σ yx)−
1
−(Σ
x−
Σ′ yxΣ−
1y
Σ yx)−
1 Σ′ yx
Σ−1
y(Σ
x−
Σ′ yxΣ−
1y
Σ yx)−
1
]
BA
CK
NE
XT
65/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
Portanto
(z−
z)′ Σ−
1z
(z−
z)=(x−
x)′ (
Σ x−
Σ′ yxΣ−
1y
Σ yx)−
1 (x−
x)′
−(x−
x)′ (
Σ x−
Σ′ yxΣ−
1y
Σ yx)−
1 Σ′ yxΣ−
1y
(y0−
y)
−(y
0−
y)′ Σ−
1y
Σ yx(
Σ x−
Σ′ yxΣ−
1y
Σ yx)−
1 (x−
x)
+(y
0−
y)′ (
Σ y−
Σ yxΣ
−1
xΣ′ yx
)−1 (
y 0−
y)=
=[(
x−
x)−
Σ xyΣ
−1
y(y
0−
y)]′ (
Σ x−
Σ xyΣ
−1
yΣ y
x)−
1 [(x−
x)−
Σ xyΣ
−1
y(y
0−
y)]+
+(y
0−
y)′ (
Σ y−
Σ yxΣ
−1
xΣ′ yx
)−1 (
y 0−
y)
−(y
0−
y)′ Σ−
1y
Σ′ xy(Σ
x−
Σ xyΣ
−1
yΣ y
x)−
1 Σ xyΣ
−1
y(y
0−
y)
comoosultim
osdoisterm
osacimaso
involvem
y 0e
yquesaoconstantes,podem
osfinalm
ente
escrever:
p X(x|y 0
)=
cte·
exp(
−1 2[x
−x−
Σ xyΣ
−1
y(y
0−
y)]′ (
Σ x−
Σ xyΣ
−1
yΣ y
x)−
1 [x−
x−
Σ xyΣ
−1
y(y
0−
y)])
Eevidente
queessa
distribuicaoegaussianapoisem
setratandodedistribuicaoaconstante
naoavaliadadeve
sertalque
∫···∫ +
∞
−∞
p X(x|y 0
)d
x 1d
x 2...d
x n=
1
alem
disso,denotando,
µ=
x+
Σ xyΣ
−1
y(y
0−
y),
Λ=
Σ x−
Σ xyΣ
−1
yΣ y
x
entao,
p X(x|y 0
)=
cte·e
xp(
−1 2[x−
µ]′ Λ
−1 [
x−
µ])
eevidentemente
gaussianaja
que
Λ=
Λ′e
Λematriz
definida
positiva.
2
BA
CK
NE
XT
66/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
DE
NS
IDA
DE
CO
ND
ICIO
NA
LD
EV
ET
OR
ES
GA
US
SIA
NO
S
9.Com
oconsequenciado
item
anterior,temos
queamediacondicionale
avariancia
condicionaldo
vetor
Xsaodadasrespectivamente
por:
E[X|Y
=y 0]=
x+
Σ xyΣ
−1
y(y
0−
y)
E[(
X−
x)2 |Y
=y 0]=
Σ x−
Σ xyΣ
−1
yΣ y
x =
Σ x|y
Notequeavarianciacondicionalnaodepende
dovalorespecıfico
daobservacao
Y=
y 0da
v.a,
eque
Σ x|y≤
Σ xno
sentidode
matrizessemipositivadefinida.
Ex:
Matlab
BA
CK
NE
XT
67/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
EX
ER
CIC
IOS
1.(a)Se
A⋂ B
=/ 0,pode-se
concluiralgo
sobreaindependenciade
Ae
B?
(b)Mostrequeum
evento
deprobabilidade
nula
oude
probabilidade
1einde-
pendentede
outroevento
qualquer.
2.Feita
umapesquisacomalunos(as)da
Unicamp,descobriu-seque85%dosalunos
dosexo
masculino(sm)e92%
dosexo
feminino(sf)
gostam
deirao
cinema.
Destes,descobriu-se
queas
preferencias
sedistribuem
pelos
generosinvestigados
daseguinte
form
a:
genero
smsf
aventura:85%
60%
romance:45%
97%
terror:
20%
12%
Suponha
queas
populacoesmasculinas
efemininas
sejam
demesmotamanho,
jasubtraindo
voce
mesmo.
(a)Quale
aprobabilidade
queasuacolega
Elizelda
gostede
filmes
deromance?
68/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
(b)Qualeaprobabilidade
queo1o.estudantequepassepor
voce
seja
uma
alunaquegostede
filmes
deaventura?
(c)Qualeaprobabilidade
queseucolega
Jose
gostede
filmes
deaventura
e
deterror,sendoqueototalde
estudantes
dosm
quegostam
decinemade
aventura
oude
terror
totalizam
100%
?
3.(probabilidadetotal)Suponha
queaocorrencia
ounaode
chuvadependa
das
condicoesdo
tempono
diaimediatamenteanterior.Adm
ita-se
quese
chovehoje,
choveraam
anha
comprobabilidade
0,7equesenaochoverhoje,choveraam
anha
com
probabilidade
0,4.
Sabendo-sequechoveu
hoje,calculeaprobabilidade
de
quechoveradepoisde
amanha.
69/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
4.(probabilidadetotal)Num
arede
com
chaves
comona
figura
abaixo,as
chaves
operam
independentem
ente,fechando-secom
probabilidade
pemantendo-se
abertascom
probabilidade
1−
p.
entr
ada
E
DC
BA
saíd
a
(a)Encontreaprobabilidade
queum
sinalaplicadona
entradasera
recebido
na
saıda;
(b)Encontreaprobabilidade
condicionalqueachaveEesta
aberta,dado
queo
sinalfoirecebido.
70/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
5.Jogo
deDardos.
Considere
p X(x)=
1√
2πσ
exp(−
x2
2σ2)
p Y(y)=
1√
2πσ
exp(−
y2
2σ2)
Xe
Yindependentes
x
y
rθ
(a)Determine
p R,Θ(r,θ).
Mostreque
Re
Θsaoindependentes
entresi.
(b)Facaum
programaMatlabquesimuleos
lancam
entosde
dardos,utilizando
somente
arotinarandpara
gerarvaloresaleatorios.Paraconstruirafigura
deum
alvo
utilize
oseguinte
codigo:
%constroi
oalvo
com
20
cm
de
raio
clf,
clear
all
theta=(0:.01:2*pi)’;
71/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
polar(theta,20*ones(size(theta)),’:k’)
hold
on
6.(esperanca
condicional)Dem
onstre
avalidadeda
leida
varianciatotal,tambem
conehcidacomoform
ulada
varianciacondicional
var(
Y)=
E(var(Y
|X))+var(
E[Y|X])
7.(esperanca
condicional)Considere
queum
certonumerode
mensagens
saoge-
radasem
umno
decomunicacao,aum
ataxa
media
νpor
unidadede
tempo,
apresentando
variancia
σ2 νnessenumero.
Cadamensagem
possuium
numero
medio
deηbits
eavarianciado
numerode
bits
por
mensagem
eσ2 η.
Elassao
enviadas
atravesum
canal,edeseja-seconhecer
onumeromedio
eavariancia
debits
quedeveraotrafegar
pelocanalde
comunicacao
por
unidadede
tempo.
8.Um
sinalbinario
Setransm
itidocom
P(S
=1)
=pe
P(S
=−
1)=
1−
p.O
sinalrecebido
eY=
S+
N,com
Num
avariavel
aleatoriagaussianade
media
nula
evarianciaunitaria.Determineaprobabilidade
deS=
1comofuncao
da
observacao
yda
v.a.
Y.
72/7
3
INT
RO
DU
CA
OA
PR
OB
AB
ILID
AD
E
9.(distribuicaocondicionaldev.a.
gaussiana)
Considere
novamente
oproblemado
jogo
dedardos
supondo
agoraum
modelomaiselaboradopara
oslancam
entos.
Ascoordenadas
Xe
Ysaoduas
v.a.’sgaussianas
conjuntascom
X∼
N(0,σ
2 x)
eY∼
N(0,σ
2 y),mas
agoraelas
saodependentes
entresi,com
cov(
X,Y
)=
σ xy.
Calcule
adistribuicao
conjunta
nascoordenadasortogonais.Supondo
queao
lancar-seum
dardose
conhecaaabcissa
Y(ω
)=
4mm
determ
ine:
(a)adistribuicao
condicionalde
X,
(b)amediacondicionalde
X,
(c)avarianciacondicionalde
X.
(d)Sabendo
queamosca
doalvo
tem
1cm
dediam
etro,indiqueaprobabilidade
dese
teratingido
amosca.Utilize
σ2 x=
σ2 y=
25e
σ xy=
15eexpresse
o
resultadoem
pregando
dafuncao
Erf(x).
73/7
3