1 / 36

Erros e variáveis aleatórias

Erros e variáveis aleatórias. Pontos mais importantes:. -tipos dos erros, exactidão e precisão -variáveis aleatórias e seus tipos -função de distribuição cumulativa -função de distribuição de probabilidade, e função densidade de probabilidade

pakuna
Télécharger la présentation

Erros e variáveis aleatórias

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Erros e variáveis aleatórias Pontos mais importantes: -tipos dos erros, exactidão e precisão -variáveis aleatórias e seus tipos -função de distribuição cumulativa -função de distribuição de probabilidade, e função densidade de probabilidade -distribuições conjuntas de duas variáveis aleatórias -valor de esperança matemática e suas propriedades -variância e suas propriedades, covariância -desigualdades de Markov e Chebyshev 1

  2. Revisão sugerida: - Integração de funções simples (linear, exponencial) - Integração de funções simples com duas variáveis - Definição de funções matemáticos - Definição de valor médio de uma função contínua 2

  3. Em qualquer área de estudos de que resultem valores numéricos, é essencial uma estimativa dos erros associados à medição, sem isso temos pouca informação. -a concentração de ácido láctico em duas mostras de iogurte produzido pela lactobacilos “A” e “B” são 100mg/l e 107 mg/l respectivamente. Se o erro de determinação for 1 mg/l as amostras são diferentes? E se o erro de determinação for 10 mg/l? - Em quatro réplicas da mesma titulação resultam consumos de 24.69, 24.73, 24.77 e 25.39 ml. Podemos desprezar o último valor? 3

  4. Tipos dos erros: -erro grosso: um erro muito sério, a experiência tem que ser repetida -erro aleatório: resultados individuais andam à volta do valor verdadeiro sem uma sequência previsível. A grandeza deste tipo do erro determina a precisão da experiência. É impossível eliminar, mas pode ser facilmente quantificado. -erro sistemático: desvio de medição do valor verdadeiro no mesmo sentido. O termo correspondente a este erro chama-se exactidão. Geralmente é difícil identificar. erro aleatório incerteza erro sistemático 4

  5. 9.70 10.00 10.30 Exemplo: 4 alunos (A-D) titularam exactamente 10ml de 0.1M NaOH com exactamente 0.1 HCl. A experiência foi repetida 5 vezes. Resultado correcto Preciso, não exacto A B Não preciso, exacto Não preciso, não exacto C Preciso, exacto D ml 5

  6. Objectivos da análise estatística: -cuidadoso planeamento das experiências -análise dos resultados e quantificação dos erros 6

  7. Variáveis aleatórias (v.a.): o resultado (quantidade) de uma experiência (estatística) não se conhece antecipadamente, pois pode ter vários valores, mas se conhece as probabilidades de ocorrência, chama-se a isto uma variável aleatória. Seja X o total do lançamento de dois dados honestos: P { X = 2} = P{( 1, 1)} = 1/ 36 P { X = 3} = P{( 1, 2),( 2, 1)} = 2/ 36 P { X = 4} = P{( 1, 3),( 2, 2),( 3, 1)} = 3/ 36 P { X = 5} = P{( 1, 4),( 2, 3),( 3, 2),( 4, 1)} = 4/ 36 P { X = 6} = P{( 1, 5),( 2, 4),( 3, 3),( 4, 2),( 5, 1)} = 5/ 36 P { X = 7} = P{( 1, 6),( 2, 5),( 3, 4),( 4, 3),( 5, 2),( 6, 1)} = 6/ 36 P { X = 8} = P{( 2, 6),( 3, 5),( 4, 4),( 5, 3),( 6, 2)} = 5/ 36 P { X = 9} = P{( 3, 6),( 4, 5),( 5, 4),( 6, 3)} = 4/ 36 P { X = 10} = P{( 4, 6),( 5, 5),( 6, 4)} = 3/ 36 P { X = 11} = P{( 5, 6),( 6, 5)} = 2/ 36 P { X = 12} = P{( 6, 6)} = 1/ 36 7

  8. Tipos de variáveis aleatórias: -discreta: variável aleatória que só pode ter um número de valores numeráveis e.g. seja Y o número de vezes que se lança uma moeda honesta até sair coroa. P{ Y = 1} = 1/ 2 P{ Y = 2} = 1/ 4 ... P{ Y = n } = ½ (½) n -1 Y só pode assumir valores inteiros positivos; Os p Y n formam uma sequência infinita numerável. X e Y são variáveis aleatórias discretas. -contínua: pode assumir qualquer valor real positivo, o seu domínio tem a potência do contínuo e.g. duração da vida de uma automóvel 8

  9. Função de distribuição cumulativa: Para descrever variáveis aleatórias e as suas probabilidades é muito útil definir a função F de uma variável aleatória X, F=P(Xx) x F é a probabilidade de X ter um valor menor ou igual a x. Usando a Função de distribuição cumulativa podemos determinar todas as probabilidades. Suponha que queremos calcular a probabilidade de P(a<X b). Aplicando Axioma III temos, P (Xb)= P (X a)+P(a<X b) P(a<X b)= F(b)-F(a) F(b) F(a) 9

  10. Características: -crescente monótona -F(-)=0 - F()=1 -todas as funções reais com estas características definem funções de distribuição Exemplo: qual é a probabilidade de X>1 se, P(X>1)= 1-P(X1)= 1-F(1)= exp(-1)=0.386 10

  11. Função de distribuição de probabilidade: Seja X uma variável aleatória discreta. A função de distribuição de probabilidades p(a) de X é definida pela, p(a)=P(X=a) Características: -X só pode ter valores x1,x2,...,xn, onde n é finito, p(xi)>0, i=1,2,...,n p(x)=0, todos outros - -a relação entre F(x) e p(x): -F(x) é uma função de degrau 11

  12. p(x) 1/2 1/3 1/6 x 1 2 3 Exemplo: Seja X uma variável aleatória que pode assumir valores de 1,2,3 com as respectivas probabilidades, 1/2, 1/3, 1/6 p(1)=1/2 p(2)=1/3 p(3)=1/6 F(x) 1 5/6 1/2 x 1 2 3 12

  13. Função densidade de probabilidade: No caso de uma variável contínua a probabilidade P(X=a)=0. Seja X uma v.a. contínua, existe uma função não negativa f(x) definida para xR, que tem a propriedade, onde f(x) chama-se Função densidade de probabilidade de X. A probabilidade de X estar em (b-a) é igual o integral de f(x) sob b-a. Também pode se dizer que a probabilidade de X estar na vizinhançade “a” no intervalo e é igual a ef(a), 13

  14. Características: - - - Exemplo: Seja X uma v.a. tal que: Calcule a probabilidade x>1! 14

  15. Distribuições conjuntas de duas v.a.: Muitas vezes o que tem interesse é saber as probabilidades de duas variáveis aleatórias. A definição de função de distribuição conjunta de X e Y, F(x,y)=P(Xx, Y y) x,y Teoricamente, qualquer questão de probabilidade sobre X e Y pode ser calculada sabendo F(X,Y). A função de distribuição de individuais, F(x)= P(Xx)= P(Xx, Y )=F(x, ); F(y)= P(Yy)= P(X, Y y)=F(,y); As características das funções de distribuição são também verdadeiras para v.a. conjuntas 15

  16. No caso de variáveis discretas, a função de distribuição de probabilidade de X (x1,x2,...) e Y (y1,y2,...) é definida pela: p(xi,yj)=P(X=xi,Y=yj) A função de distribuição de probabilidade individual (marginal) pode obter-se: Exemplo: Sequência das probabilidades de ter X filhos e Y filhas numa família portuguesa se: 15% tem 0, 20% tem 1, 35% tem 2 e 30% tem 3 crianças. i \ j 0 1 2 3 p (X i) 0 0. 15 0. 1000 0. 0875 0. 0375 0. 3750 1 0. 1000 0. 1750 0. 1125 0 0. 3875 2 0. 0875 0. 1125 0 0 0. 2000 3 0. 0375 0 0 0 0. 0375 p (Y j) 0. 3750 0. 3875 0. 2000 0. 0375 1 16

  17. Se X e Y foram duas v.a.-s contínuas, existe uma função f(x,y) para a qual se verifica: X,YR Onde f(x,y) se chama função densidade de probabilidade conjunta de X e Y. As funções densidade de probabilidade marginais são dadas por: A relação entre F(x,y) e f(x,y): 17

  18. Exemplo: Seja f(x,y) a função densidade de probabilidade conjunta das variáveis aleatórias continuas X e Y: Calcule a) P(X>1,Y<1) e b) P(X<a). a) b) Nota: Os conceitos de distribuição conjuntas podem ser facilmente generalizados para “n” v.a.-s. 18

  19. Distribuições condicionais de duas v.a.: -Discretas: Assim, é relativamente fácil definir a função de distr. de prob. condicional: -Contínuas: -Independência: f(x,y)=fX(x)fY(y) p(x,y)=pX(x)pY(y) 19

  20. Valor de esperança matemática: O valor esperança de uma variável aleatória discreta X é a média pesada dos valores possíveis: O factor de peso é a probabilidade do correspondente valor da v.a. Por outras palavras, o valor de esperança é o valor médio que se obtém após um grande número de repetições. Exemplo: Seja X uma v.a. que representa o dinheiro que uma pessoa ganha num jogo de azar (x1, x2, ... xn) com as probabilidades respectivas (p(x1), p(x2), ... P(xn)). Calcule quanto é que pode esperar ganhar por jogo numa noite. Aproximadamente toda noite Np(xi) vezes vamos ganhar xi (nota que ni= Np(xi)), por isso o dinheiro total que vamos ganhar: 20

  21. Um caso especial é quando todos os valores de v.a. tem a mesma probabilidade: Exemplo: Calcule o valor de esperança dos lançamentos do um dado 21

  22. Agora, suponha que X é uma v.a. continua. A probabilidade de X estar na vizinhança (para dx pequeno) de x é: P(x<X<x+dx)f(x)dx Com analogia ao caso de v.a. discreta o valor de esperança pode ser facilmente obtida: Exemplo: Suponha que uma aula teórica deve acabar alguns minutos depois hh:50 min. As que horas vai acabar a aula em média se a função densidade de probabilidade do atraso é dada pela: Em média a aula acaba hh:58 min. 22

  23. Propriedades de valor de esperança matemática: Dada uma v.a. X e a correspondente distribuição de probabilidade. Suponha que estamos interessados no valorde esperança de uma função de g(X) (E[g(X)]). Como se calcule? Discreta: Exemplo: Seja X uma v.a. com a função de distr. de probabilidade: p(0)=0.2 p(1)=0.5 p(2)=0.3 Calcule E[X2] 23

  24. Contínua: Exemplo: O tempo que demora a localizar um problema no processamento de leite (X) tem uma função densidade de probabilidade: O custo relacionado a reparação é X3 mil contos. Qual é o custo esperado de resolução dos problemas? 24

  25. Caso especial: transformação linear de v.a., g(X)=aX+b, onde a e b são constantes Discreta: Contínua: 25

  26. As propriedades de valores de esperança pode ser aplicadas para mais que uma v.a. Discreta: Contínua: E.g. E[X1+ X2+...+ Xn]= E[X1]+E[ X2]+...+E[ Xn] 26

  27. Variância: As funções de distribuição de probabilidade podem-lhes tornar complicadas, por isso seria muito útil somar as características mais essenciais em umas medidas. O valor de esperança E[X] é um bom candidato, mas insuficiente, porque não fornece informação sobre a dispersão da v.a. em volta da média pesada. E.g.: A altura dos adultos de Portugal em média é 1.70 m. Um extraterrestre de Marte podia pensar que ninguém é mais alto que 1.71m, um outro de Vénus podia pensar que há pessoas mais baixas que 0.1m. O que longe os valores de X podem ser esperados da média (m)?: -E[X-m]=0 ----> não funciona -E[|X-m|] ----> não é conveniente calcular o modulo -E[(X-m)2] 27

  28. Variância: Var(X)=E[(X-m)2]=s2 Cálculo alternativo: Exemplo: Calcule a variância dos lançamentos do um dado s2=91/6-(7/2)2=35/12 28

  29. Propriedades da variância: 29

  30. Suponha que num supermercado o peso de embalagem de pimento assado tem m=0.5 kg com Var=0.05kg2. A dispersão é grande ou não? É difícil avaliar, porque m e Var(X) não têm a mesma dimensão. Desvio padrão (s): No exemplo anterior, m=0.5 kg e s=0.22kg, a dispersão dos peso das embalagens é bastante grande. 30

  31. Covariância: A covariância é medida de dependência linear entre variáveis aleatórias. Definição de covariância de duas v.a.: Propriedades: a) Cov(X,Y)=Cov(Y,X) b) Cov(X,X)=Var(X) c) Cov(aX,Y)=aCov(X,Y) d) Cov(X+Z,Y)=Cov(X,Y)+Cov(Z,Y) e) v.a. independentes Cov(X,Y)=0 31

  32. Propriedade d) pode ser generalizada para a covariância de SX e SY: Assim, a variância de soma de n v.a.-s pode ser determinada usando a propriedade b: Independência(!): 32

  33. Exemplos para Cov(X,Y)0: -altura e peso das pessoas: Pessoas mais altas tendem ser mais pesadas-----> cov>0 -velocidade de reacção dos condutores e a quantidade de álcool consumido: com aumento de álcool bebido, a velocidade de reacção diminuí-----> cov<0 O valor de covariância depende das unidades usadas no cálculo (kg/g; min/s; l/ml, etc.). A “covariância normalizada” chama-se coeficiente de correlação: Independência: rx,y=0 33

  34. Por vezes dado um número de v.a. (e.g. parâmetros de um modelo matemático) e queremos saber a dependência linear entre eles. O resultado é a matriz de covariância (simétrica): Ou em termos de coeficiente de correlação: 34

  35. Desigualdades de Markov e Chebyshev: -Desigualdade de Markov: se a v.a. X for não-negativa, então: v.a. contínua: -Desigualdade de Chebyshev: seja a=k2 e a v.a. não-negativa igual a (X-m)2: 35

  36. A importância destas desigualdades é que permitem estabelecer limites de probabilidades quando só a média e/ou a variância estão conhecidas (sem saber a função de distribuição de probabilidade) Exemplo: O número de testes feitos num laboratório de controlo de qualidade em média 50/dia. -Calcule o limite da probabilidade do número de testes exceder 75 num dia! P(X>75)E[X]/75=50/75=2/3 -se a variância for 25, qual é o limite de prob. de o número de testes serem cera de 40-60/dia? P(|X-50|10) s2/102=1/4 ------> P(|X-50|<10) >1-1/4=3/4 36

More Related