-
Notifications
You must be signed in to change notification settings - Fork 9
/
03-prob.Rmd
executable file
·199 lines (151 loc) · 5.91 KB
/
03-prob.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
# Probabilidade
Muito há para se falar sobre probabilidade desde a troca de correspondências entre Pascal e Fermat em 1654. Segundo Pierre-Simon Laplace[^laplace], 'a teoria das probabilidades é, basicamente, o senso comum reduzido ao cálculo.' Para o matemático italiano Bruno de Finetti[^definetti], 'PROBABILIDADE NÃO EXISTE'. Neste material serão utilizadas as noções axiomática, subjetiva e frequentista de probabilidade, descritas em detalhes na Seção 2.2 de [@press2003subjective].
[^laplace]: "*[L]a théorie des probabilités n'est au fond, que le bon sens réduit au calcul.*", [@laplace1825essai] página 275.
[^definetti]: "*PROBABILITY DOES NOT EXIST.*" [@definetti1974theory] página x.
## Propriedades
### Propriedades fundamentais (Axiomas de Kolmogorov)
Um leitor mais atento pode perceber que foi feita uma combinação entre os axiomas de Kolmolgorov e as propriedades que são consequências destes axiomas. Tal abordagem tem por finalidade simplificar o entendimento neste curso de nível introdutório. Para maiores detalhes, recomenda-se [@james2010probabilidade].
- **P1**
\begin{equation}
0 \le Pr(A) \le 1
(\#eq:def-p1)
\end{equation}
- **P2**
\begin{equation}
Pr(\Omega)=1
(\#eq:def-p2)
\end{equation}
- **P3** Se $A_1$, $A_2$, ..., $A_k$ são conjuntos disjuntos, então
\begin{equation}
Pr(A_1 \cup A_2 \cup \ldots \cup A_k) = Pr(A_1) + Pr(A_2) + \ldots + Pr(A_k)
(\#eq:def-p3)
\end{equation}
### Propriedades secundárias
Das propriedades fundamentais resultam outras, apresentadas sem demonstração:
- **P4**
\begin{equation}
Pr(A)=1-Pr(A^c)
(\#eq:def-p4)
\end{equation}
- **P5**
\begin{equation}
Pr(\emptyset)=0
(\#eq:def-p5)
\end{equation}
- **P6**
Se $A_1$ e $A_2$ são dois conjuntos quaisquer, então
\begin{equation}
Pr(A \cup B) = Pr(A) + Pr(B) - Pr(A \cap B)
(\#eq:def-p6)
\end{equation}
- **P7**
\begin{equation}
Pr(\left[ A \cup B \right]^c) = Pr(A^c \cap B^c)
(\#eq:def-p7)
\end{equation}
- **P8**
\begin{equation}
Pr(\left[ A \cap B \right]^c) = Pr(A^c \cup B^c)
(\#eq:def-p8)
\end{equation}
## R como um conjunto de tabelas estatísticas
[@venables2020introduction] apontam que um uso conveniente de R é fornecer um conjunto abrangente de tabelas estatísticas. Funções são fornecidas para avaliar a função densidade de probabilidade (FDP) $f(x)$, a função distribuição acumulada (FDA) $F(x) = Pr(X \le x)$, a função quantil (dado $q$, o menor $x$ tal que $Pr(X \le x) > q$) e também para simular valores das distribuições. Utiliza-se o prefixo `d` para a densidade, `p` para o FDA, `q` para a função de quantil e `r` para simulação pseudo-aleatória. A seguir são apresentadas as distribuições de probabilidade disponíveis no *base R*. Para mais distribuições podem-se utilizar os pacotes adicionais `mvtnorm` (normal e t multivariadas) e `VGAM` (Dirichlet, multinomial, beta-binomial, entre outras).
<center>
![](img/probsR.png)
</center>
<!-- https://blog.revolutionanalytics.com/2016/02/multivariate_data_with_r.html -->
## Distribuição Normal
### Normal univariada
A distribuição normal univariada é dada pela expressão
$f(x|\mu, \sigma) = \dfrac{1}{\sqrt{2\pi} \sigma} \exp \bigg\{ -\frac{1}{2} \left( \frac{x-\mu}{\sigma} \right) ^2 \bigg\}$
```{r}
# gráfico da densidade da normal padrão, N(0,1)
curve(dnorm(x), xlim = c(-3,3))
# distribuição acumulada
pnorm(0)
pnorm(1.645)
pnorm(1.96)
# quantis (separatrizes)
qnorm(0.5)
qnorm(0.95)
qnorm(0.975)
```
### Normal bivariada
No caso bivariado pode-se definir
$f(x_1,x_2|\mu_1, \mu_2, \sigma_1, \sigma_2, \rho) = \dfrac{1}{2\pi \sigma_1 \sigma_2 \sqrt{1-\rho^2}} \exp \bigg\{ -\frac{1}{2(1-\rho^2)} \left[ \frac{(x_1-\mu_1)^2}{\sigma^2_1} + \frac{(x_2-\mu_2)^2}{\sigma^2_2} - \frac{2 \rho (x_1 - \mu_1) (x_2 - \mu_2)}{\sigma_1 \sigma_2} \right] \bigg\}.$
```{exercise}
Verifique que o produto de duas normais univariadas equivale à definição no caso bivariado quando $\rho=0$.
```
```{r}
library(rgl)
# parâmetros
n <- 100
x1 <- seq(-5, 5, length = n)
x2 <- seq(-5, 5, length = n)
m1 <- 0
m2 <- 0
s1 <- 1 # desvio padrão
s2 <- 2
# produto de normais independentes, \rho = 0
z1 <- outer(x1, x2, function(x,y) dnorm(x,m1,s1) * dnorm(y,m2,s2))
# gráficos
persp3d(x1, x2, z1, col = 'gray')
rglwidget()
```
```{r}
library(rgl)
library(mvtnorm)
# parâmetros
n <- 100
x1 <- seq(-5, 5, length = n)
x2 <- seq(-5, 5, length = n)
m1 <- 0
m2 <- 0
s1 <- 1^2 # variância
s2 <- 2^2
# via mvtnorm::dmvnorm, \rho = 0
m <- c(m1,m2)
s <- diag(c(s1,s2))
z2 <- outer(x1, x2, function(x,y) dmvnorm(cbind(x,y), mean = m, sigma = s))
# gráficos
persp3d(x1, x2, z2, col = 'lightblue')
rglwidget()
```
```{r}
library(rgl)
library(mvtnorm)
# parâmetros
n <- 100
x1 <- seq(-5, 5, length = n)
x2 <- seq(-5, 5, length = n)
m1 <- 0
m2 <- 0
s1 <- 1^2
s2 <- 2^2
r <- 0.9
# via mvtnorm::dmvnorm, \rho = 0.9
m <- c(m1,m2)
s <- matrix(c(s1,r,r,s2), nrow = 2, byrow = T)
z3 <- outer(x1, x2, function(x,y) dmvnorm(cbind(x,y), mean = m, sigma = s))
# gráficos
persp3d(x1, x2, z3, col = 'lightgreen')
rglwidget()
```
As probabilidades podem ser calculadas através da função `pmvnorm` do pacote `mvtnorm`.
```{r}
library(mvtnorm)
# parâmetros
m <- c(0,0)
s <- diag(2)
# Pr(X1 < 0, X2 < 0)
lower <- c(-Inf, -Inf)
upper <- c(0, 0)
pmvnorm(lower, upper, m, s)
```
```{exercise, normal-bi}
Interprete o valor 0.25 calculado no exemplo acima.
```
### Normal multivariada
Para o caso multivariado define-se
$f(\boldsymbol{x}|\boldsymbol{\mu}, \boldsymbol{\Sigma}) = \dfrac{1}{\sqrt{2\pi} |\boldsymbol{\Sigma}|^{1/2}} \exp \bigg\{ -\frac{1}{2} (\boldsymbol{x} - \boldsymbol{\mu})' \boldsymbol{\Sigma}^{1/2} (\boldsymbol{x} - \boldsymbol{\mu}) \bigg\}$,
$\boldsymbol{\mu} = (\mu_1,\mu_2, \ldots, \mu_p)'$, $\boldsymbol{\Sigma} = \begin{bmatrix} \sigma_{1}^2 & \sigma_{12} & \cdots & \sigma_{1p} \\ \sigma_{12} & \sigma_{2}^2 & \cdots & \sigma_{2p} \\ \vdots & \vdots & \ddots & \vdots \\ \sigma_{1p} & \sigma_{2p} & \cdots & \sigma_{p}^2 \end{bmatrix}$.