Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelos de Probabilidade Variáveis Aleatórias Continuas Prof. Aloisio Joaquim Freitas Ribeiro Departamento de Estatística – ICEx – UFMG aloisio@est.ufmg.br mailto:aloisio@est.ufmg.br Modelo Uniforme contrário caso se 0 x se 1 )x(f Definição: Uma variável aleatória X tem distribuição uniforme no intervalo [α,β] se sua função densidade de probabilidade é dada por 2222 x11 x)X(E 12 )X(V 2 )X(E 222 2 dx AR Função distribuição Acumulada xse 1 x se x xse 0 )x(F X Dizemos que uma variável aleatória X, discreta, tem distribuição uniforme quando todos os possíveis valores de X tem a mesma probabilidade de ocorrer. No caso de uma distribuição uniforme contínua a probabilidade de observar um valor no intervalo (a,b), depende somente do seu comprimento, não importando qual a sua localização entre α e β. Isto acontece porque a função densidade de probabilidade é constante. Na pratica é muito raro encontrar variáveis que possuam uma distribuição uniforme contínua, mas esta distribuição possui muitas aplicações na análise de dados. Quando α = 0 e β = 1, a distribuição uniforme é chamada de distribuição Uniforme padrão. Esta distribuição é usada para geração de valores aleatórios para outras distribuições de probabilidade, como veremos mais tarde. Exemplo: Quando geramos valores aleatórios no intervalo entre 0 e 1, estamos observando realizações de uma variável aleatória com distribuição U(0,1). a) Qual a probabilidade de um número escolhido aleatoriamente no intervalo (0,1) pertencer ao intervalo entre 0,15 e 0,25? X = numero escolhido aleatoriamente entre 0 e 1 𝑃 0,15 ≤ 𝑋 ≤ 0,25 = 𝐹𝑥(0,25) - 𝐹𝑥(0,15) = 0,25−0 1−0 − 0,15−0 1−0 = 0,10 a) Qual a probabilidade deste número pertencer ao intervalo entre 0,25 e 0,35? 𝑃 0,25 ≤ 𝑋 ≤ 0,35 = 𝐹𝑥(0,35) - 𝐹𝑥(0,25) = 0,35−0 1−0 − 0,25 −0 1−0 = 0,10 Observe que o valor da probabilidade não é afetado pela localização do intervalo. Para os vários modelos de probabilidade disponíveis no R temos 4 funções básicas Os nomes destas funções são dados pelas letras d, p q e r seguidas da abreviação do nome da distribuição, que vamos representar de forma genérica por dist. Estas funções possuem como argumentos os parâmetros da distribuição. 1) ddist - retorna o valor da P(X = x), se X é discreta e f(x), se X é contínua. dpois (Poisson), dbinom (binomial), dunif (uniforme contínua),dexp (exponencial), dnorm (Normal) 2) pdist - retorna o valor da probabilidade acumulada P(X ≤ x). 3) qdist - retorna o valor do quantil de ordem p. 4) rdist – gera uma amostra aleatória de n observações da distribuição de probabilidade. Para saber quais os argumentos destas funções no R use o comando de ajuda ? dunif (para obter ajuda sobre dunif) Modelo Exponencial 0 xse 0 xse 0 )x(f x e • Utilizado para modelar tempos de vida em estudos de sobrevivência, tempos até a falha estudos de confiabilidade de sistemas, modelar perdas em seguros, etc • Caracteriza-se pela assimetria da distribuição Definição: Uma variável aleatória X tem distribuição exponencial com parâmetro β se sua função densidade de probabilidade é dada por X ~ exp(β) 1 )X.(P.D 1 )X(VAR 1 )X(E 2 Função distribuição Acumulada 0x se e-1 0 xse 0 )x(F x- Exercício: Suponha que as perdas pagas por reclamações resultantes de furtos num seguro residência tenha distribuição Exponencial com média igual a 2000 reais. X = valor da reclamação do seguro X ~ exp(β = 1/200) a) Qual a probabilidade da seguradora pagar por uma reclamação um valor menor do que 500 reais? b) Qual a probabilidade da seguradora pagar por uma reclamação com valor superior a 8000 reais? c) Qual o valor mediano das perdas? Observe que a mediana (1386,94) é muito menor do que a média (2000) 2211,0)2000/500exp(1)500X(P 94,13865,0)2000/xexp(1 0183,0)2000/000.8exp()000.8X(P A distribuição Exponencial no R Parametrização: 2 1 )XVAR( 1 )X(E 0 xse 0 xse 0 )x(f x e dexp(x, rate) retorna o valor da função densidade f(x) pexp(x, rate) retorna o valor da função distribuição acumulada F(x) qexp(p, rate) retorna o quantil de ordem p Q(p) onde rate é o valor de β > pexp(500,1/2000) [1] 0.2211992 > pexp(8000,1/2000,lower.tail=F) [1] 0.01831564 > qexp(0.5,1/2000) [1] 1386.294 Propriedade (falta de memória) Suponha que o tempo entre 2 falhas consecutivas de um processo tem distribuição exponencial com média igual a 30 horas. Suponha que acabou de acontecer uma falha. a) Qual a probabilidade de que a próxima falha aconteça até o tempo 15, isto é, nas próximas 15 horas? b) Qual a probabilidade de que o tempo até a ocorrência da próxima falha seja menor do que 40 horas sabendo que até o tempo 25 não houve nenhuma falha? 30 15 30 25 30 40 30 25 30 25 30 40 e1 e e 1 e )e1(e1 )5 )25)0 )5 )0 40 2P(X P(X4P(X 2P(X 4XP(25 25)X|P(X 30 15 e1)15X(P exp(1/30)~ X falha proxima a até tempoX Depois de 25 horas sem nenhuma falha, a probabilidade de ocorrer um falha nas próximas 15 horas é igual a probabilidade de ocorrer uma falha nas 15 horas imediatamente posteriores a última falha. 15)P(X25)X|P(X 40 t)P(Xx)X|P(X tx Propriedade da Falta de Memória
Compartilhar